Мегаобучалка Главная | О нас | Обратная связь


Построение дерева решений нейронной сети, обученной для распознавания рукописных цифр



2018-07-06 506 Обсуждений (0)
Построение дерева решений нейронной сети, обученной для распознавания рукописных цифр 0.00 из 5.00 0 оценок




Если попытаться написатькомпьютернуюпрограммудляраспознавания рукописных символов, то сложность распознаваниявизуальных образов становится очевидной. Человек распознает символы интуитивно, по признакам, например,«цифра 9имеетпетлювверхуивертикальныйштрихвправомнижнемуглу», но выразить это алгоритмически крайне трудно. Если делатьтакиеправилаточными, то придется учитывать большое количество исключений, предостережений и особых случаев, так как разные люди имеют уникальный почерк. Решить эту проблему традиционными методами программирования практически невозможно.

Но с применением искусственных нейронных сетей эта проблема решается намного проще. Нейронныесетиподходяткпроблемепо-другому.Идеясостоитвтом,чтобывзятьбольшоеколичестворукописныхцифр,известныхкакпримерыобучения,азатемразработатьсистему,котораяможетучитьсянапримерахобучения(рисунок 6).

Рисунок 6 – Примеры для обучения ИНС

Другимисловами,искусственная нейронная сетьиспользуетпримерыдляавтоматическоговыводаправилдляраспознаваниярукописныхцифр.Крометого,увеличиваяколичествопримеровобучения,сетьможетбольшеузнатьорукописномписьмеи,такимобразом,повыситьееточность. Используя миллионы обучающих выборок можно довести точность распознавания символов до 99%. Точность современных коммерческих искусственных нейронных сетей позволяет использовать их в банках дляобработкичекови в почтовых отделениях дляраспознаванияадресов.

Распознавание рукописных символов можно осуществлять двумя способами: первые – сегментировать текст и распознавать отдельные сегменты, второй способ – классификация отдельных цифр, без сегментации. В первом случае нуженспособразбиватьизображение,содержащеемногоцифр,впоследовательностьотдельныхизображений,каждаяизкоторыхсодержитоднуцифру.Например,мы разбить изображение на рисунке 7 на шесть отдельных изображений.

Рисунок 7 – Разбиение изображения на сегменты

Человек легко справляемсяспроблемойсегментации,нодлякомпьютернойпрограммысложноправильноразбитьизображение.Послетого,какизображениесегментировано,программенеобходимоклассифицироватькаждуюцифру.Так,например, нужно,чтобыпрограммараспознала,чтоперваяцифра на рисунках выше является «5».

Нейронная сеть может распознавать цифры по отдельным характерным признакам – замкнутые области, крючки, палочки и т.п. Исходя из этого можно построить алгоритм, основанный на распознавании характерных элементов.

Данный алгоритм отображен на дереве решений (приложение А).


 

ЗАКЛЮЧЕНИЕ

Качество распознавания зависит не только от алгоритмов, используемыми программами распознавания и обучения нейронной сети, но и от того, как обучалась нейронная сеть. На качество обучения нейронной сети влияют следующие факторы.

— Параметры базы с обучающими растрами. Размер, способ отбора растров, порядок растров в базе, наличие грязных символов и ошибок в разметке.

— Выбор критерия, оптимизируемого при обучении нейронной сети. На разных этапах обучения возможно использование различных критериев.

— Шаг изменения коэффициентов сети.

— Использование регуляризации сети.

— История обучения сети.

— Использование дополнительного шума и искажений символов.

— Момент остановки обучения. Желательно избегать как недостаточного обучения сети, так и переобучения.

— Размер кэша плохих растров и относительная частота выбора растров из обучающей базы данных и из кэша плохих символов.

 


 

БИБЛИОГРАФИЧЕСКИЙСПИСОК

1)Алгоритмобратногораспространенияошибки.Режимдоступа:http://www.aiportal.ru/articles/neural-networks/back-propagation.html,свободный(датаобращения:28.04.2018г.).–Заголовоксэкрана.

2)Что такое искусственные нейронные сети.Режимдоступа:https://habrahabr.ru/post/134998/,свободный(датаобращения:29.04.2018г.).–Заголовоксэкрана.

3)Машинноеобучение.Режимдоступа:http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение,свободный(датаобращения:26.04.2018г.).–Заголовоксэкрана.

4)Обучениенейроннойсети.Режимдоступа:http://neuronus.com/theory/240-algoritmy-obucheniya-iskusstvennykh-nejronnykh-setej.html,свободный(датаобращения:11.05.2018г.).–Заголовоксэкрана.

5)Нейроннаясеть–обучениеИНСспомощьюалгоритмаобратногораспространения.Режимдоступа:http://robocraft.ru/blog/algorithm/560.html,свободный(датаобращения:29.04.2018г.).–Заголовоксэкрана.

6)Ометодахобучениямногослойныхнейронныхсетейпрямогораспространения.Режимдоступа:http://mechanoid.kiev.ua/neural-net-backprop2.html,свободный(датаобращения:19.05.2018г.).–Заголовоксэкрана.

 

 


ПРИЛОЖЕНИЕ А



2018-07-06 506 Обсуждений (0)
Построение дерева решений нейронной сети, обученной для распознавания рукописных цифр 0.00 из 5.00 0 оценок









Обсуждение в статье: Построение дерева решений нейронной сети, обученной для распознавания рукописных цифр

Обсуждений еще не было, будьте первым... ↓↓↓

Отправить сообщение

Популярное:
Генезис конфликтологии как науки в древней Греции: Для уяснения предыстории конфликтологии существенное значение имеет обращение к античной...
Как выбрать специалиста по управлению гостиницей: Понятно, что управление гостиницей невозможно без специальных знаний. Соответственно, важна квалификация...



©2015-2020 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (506)

Почему 1285321 студент выбрали МегаОбучалку...

Система поиска информации

Мобильная версия сайта

Удобная навигация

Нет шокирующей рекламы



(0.009 сек.)