Интеллектуальные информационные системы. Рак И.П - 8 стр.

UptoLike

ВУЗ: 

ТГТУ | Тамбов

Составители: 

Рубрика: 

Эффективный алгоритм обучения многослойных персептронов, открывший путь для их широкого практического
применения, предложили Румельхарт, Хилтон и Вильямс и дали название алгоритм обратного распространения ошибки.
Существует большое количество различных алгоритмов обучения нейросетей, среди которых успешным признаётся
идея генетических алгоритмов. Эта идея, впервые предложенная Дж. Холландом в 1970-х гг., состоит в имитации
природных оптимизационных процессов, происходящих при эволюции живых организмов.
Темы докладов и контрольных работ
1. Биологический нейрон и формальная модель нейрона Мак-Каллока и Питтса.
2. Однослойная нейронная сеть и персептрон Розенблата.
3. Правила Хебба для обучения персептрона.
4. Многослойные нейронные сети.
5. Проблемы и перспективы нейронных сетей.
6. Основные понятия, принципы и предпосылки генетических алгоритмов.
7. Достоинства и недостатки генетических алгоритмов.
8. Примеры применения генетических алгоритмов.
9. Алгоритм обратного распространения ошибки.
10. Метод наискорейшего спуска.
11. Рекуррентные сети.
Тема 6. РАСПОЗНАВАНИЕ ОБРАЗОВ
В своей повседневной жизни человек настолько легко справляется с задачами распознавания, что это считается само
собой разумеющимся. Между тем попытки моделирования на компьютерах этих функций наталкиваются на весьма
серьёзные трудности.
К распознаванию образов в ИИ относят широкий круг проблем: распознавание изображений, символов, текстов,
запахов, звуков, шумов.
В распознавании образов имеется хорошо разработанный математический аппарат, и для не очень сложных объектов
разработаны системы классификации по признакам, по аналогии и т.д. В качестве признаков могут рассматриваться любые
характеристики распознаваемых объектов. Алфавит признаков придумывается разработчиком системы. Качество
распознавания во многом зависит от того, насколько удачно придуман алфавит признаков.
Распознавание символов по их графическому представлению является одной из самых старых и традиционных задач
ИИ. Все существующие в настоящее время методы распознавания символов можно разделить на три вида: шаблонный
(эталонный), структурный и признаковый.
Шаблонный метод. В большинстве систем шрифт, подлежащий распознаванию, хорошо известен, и распознавание
является лишь вопросом использования эталонов. В этом случае просто нужно ввести некоторый допуск на расхождение
между символом и шаблоном с учётом дефектов печати и помарок на бумаге.
Структурный метод. Распознаваемый объект описывается как граф, узлами которого являются элементы входного
объекта, а дугами – пространственные отношения между ними. Системы, реализующие подобный подход, обычно работают
с векторными изображениями.
Признаковый метод. Согласно этому методу изображение каждого распознаваемого символа представляется как
объект в n-мерном пространстве признаков. Сами признаки устанавливаются и вычисляются на стадии предварительной
обработки изображений. Полученный n-мерный вектор сравнивается с эталонными, и изображение относится к наиболее
подходящему из них.
Темы докладов и контрольных работ
1. Проблемы распознавания образов.
2. Классификация методов распознавания образов.
3. Пандемониум Селфриджа.
4. Применение распознавания образов для идентификации и прогнозирования.
5. Методы кластерного анализа.
6. Шаблонный метод распознавания символов.
7. Структурный метод распознавания символов.
8. Признаковый метод распознавания символов.

Страницы