V Международная студенческая научная конференция Студенческий научный форум - 2013

Краткое вступление, постановка задачи

При распознавании печатного текста в графическом материале необходимо использование методов, при применении которых возможно с максимальной точностью и скоростью обработать большое количество входных данных. Методика распознавания текста на основе входных изображений предполагает три этапа – считывание данных с изображения, преобразование данных специальным алгоритмом и вывод данных. Ключевым в извлечении текстового материала из изображения является преобразование входных данных, так как именно этот этап определяет качество выходных данных и является самым значимым по используемым ресурсам и скорости работы. Одним из наиболее перспективных способов распознавания печатного текстов является использование искусственных нейронных сетей (ИНС) за счет множества существующих вариантов устройства подобных сетей.

Цель работы

Для выбора математической модели построения и обучения нейронной сети необходимо провести сравнительный анализ существующих моделей ИНС по ключевым критериям, присущим распознаванию образов.

Базовые положения исследования

Распознавание образов на основе ИНС включает в себя: передача на вход нейронной сети опытных данных для обучения сети, множество полных циклов обучения нейронной сети, сравнения множества полученных данных в рабочем режиме ИНС с опытными данными. Нейронная сеть должна быть устойчивой при обработке большого значения входных данных, обладать высокой скоростью и точностью обработки.

Промежуточные результаты

В процессе исследования математических моделей нейронных сетей были сформулированы следующие важные требования:

1. Точность выбора образа на основе входных данных.

2. Высокая скорость работы нейронной сети.

3. Высокая скорость обучения нейронной сети.

4. Программная реализация нейронной сети не должна обладать сложной структурой.

5. Устойчивость к шумовым значениям.

6. Отсутствие операции хранения исходных данных в ИНС.

Указанные требования можно объединить под общим обозначением – метод трансформации весовых коэффициентов ИНС, которая описывает основным свойства сети^[1].

Также были сформулированы основные требования для обучения ИНС:

1. Необходимость высокой скорости обновления данных в нейронной сети при ее обучении.

2. Фильтрация шумовых значений.

3. Параллельное обучение ИНС.

Обзор существующих математических моделей построения и обучения нейронных сетей позволит наиболее точно выбрать подходящую модель для последующих модификаций с целью улучшения точности и производительности.

Наиболее подходящими для распознавания образов являются нейронные сети Хопфилда, Хэмминга^[2], ИНС на основе когнитрона^[3] и сверточные нейронные сети^[4][5].

Основными методиками обучения ИНС являются нелинейный метод наименьших квадратов и метод блочных реккурентно-итерационных процедур^[6]. Сравнение данных моделей нейронных сетей проводилось по 9 основным функциональным характеристикам, которые приведены в данном тексте и в работе.

Основной результат:

В результате выполнения работы для модификации была выбрана модель искусственной нейронной сети Хэмминга, которая будет обучена методом блочных реккурентно-итерационных процедур, и составлено техническое задание на разработку системы распознавания печатного текста на основе модели данной нейронной сети.

1. Яхъева Г.Э. Нечеткие множества и нейронные сети - Бином, 2008 - 320с

2.Сараев П.В. Нелинейный метод наименьших квадратов и блочные реккурентно-итерационные методы в обучении нейронной сети 2008. - Управление большими системами. Выпуск 30 - 11с

3. Капля В.И. Трансформация матриц весовых коэффициентов

измерительной сети в процессе обучения 2008. - Известия Волгоградского государственного технического университета, № 5, 2008. – 87-92c.

4. Костецкая Г.Ю., Федяев О.И. Распознавание образов на основе свёрточных нейронных сетей // V научно-техническая конференция студентов, аспирантов и молодых учёных «Компьютерный мониторинг и информационные технологии»(КМИТ-2009): – Донецк, ДонНТУ, 2010. – с.274-276

5. Умяров Н.Х., Федяев О.И. Параметрическая модель свёрточной нейронной сети // VI международная научно-техническая конференция студентов, аспирантов и молодых научных работников «Информатика и компьютерные технологии»: Т. 2 – Донецк, ДонНТУ, 2010. – 292с.

1 Капля В.И. Трансформация матриц весовых коэффициентов

измерительной сети в процессе обучения 2008. - Известия Волгоградского государственного технического университета, № 5, 2008. – 87-92c.

2 Яхъева Г.Э. Нечеткие множества и нейронные сети - Бином, 2008 – 226-236c

3 Яхъева Г.Э. Нечеткие множества и нейронные сети - Бином, 2008 – 284-296c

4 Костецкая Г.Ю., Федяев О.И. Распознавание образов на основе свёрточных нейронных сетей // V научно-техническая конференция студентов, аспирантов и молодых учёных «Компьютерный мониторинг и информационные технологии»(КМИТ-2009): – Донецк, ДонНТУ, 2010. – с.274-276

5 Умяров Н.Х., Федяев О.И. Параметрическая модель свёрточной нейронной сети // VI международная научно-техническая конференция студентов, аспирантов и молодых научных работников «Информатика и компьютерные технологии»: Т. 2 – Донецк, ДонНТУ, 2010. – 292с.

6 Сараев П.В. Нелинейный метод наименьших квадратов и блочные реккурентно-итерационные методы в обучении нейронной сети 2008. - Управление большими системами. Выпуск 30 - 11с

Код для цитирования: Скопировать