отчет. Н. Ф. Гусарова, Н. В

• Название: Н. Ф. Гусарова, Н. В
• Анкор: отчет
• Дата: 19.02.2022
• Размер: 2.27 Mb.
• Имя файла: 2536.docx
• Тип: Документы; #367348
• страница: 14 из 19

«4», «4», «4», «4», «4»

Рис. 4.6. Результаты распознавания символа «8», искаженного 10% шума «Соль и Перец», результат распознавания (слева направо):

«8», «8», «6»

Результаты распознавания символов, представленные на рисунках 4.2-4.6, демонстрируют хорошее распознавание с помощью НС даже при сильном искажении (параметр p>0,1). Для объективной оценки ка- чества работы НС необходимо вычисление вероятностных характеристик распознавания. При правильном выборе параметров обучения сети и ис- пользовании не менее 100 обучающих образов можно получить вероятность правильного распознавания символов порядка 0,6…0,9 (в зависимости от вида распознаваемого символа) при параметре искажения p=0,1…0,2.

Качество работы НС характеризуется вероятностями правильной клас- сификации образа i-го класса, i=1,…,M. Оценка вероятностей произво- дится по формуле:

пр

P
^ˆ (i) 

^Nпр_N0 ,

где

^Nпр

• 
  число правильных распознаваний образа i-го класса;
  

^N₀ - общее число распознаваний образов i-го класса. Число определяется

экспериментально при запуске программы sr_work при значениях

=10…100.

ЦЕЛЬ РАБОТЫ

Исследование возможностей распознавания печатных символов с помощью нейронных сетей, а также построение нейронных сетей в среде MATLAB.

ЗАДАНИЕ НА ПРАКТИЧЕСКУЮ РАБОТУ И ПОРЯДОК ВЫПОЛНЕНИЯ

1. 
   Подготовить графические файлы эталонных образов для симво- лов, заданных преподавателем, или самостоятельная подготовка эталонных (обучающих) образов печатных символов в виде набора графических фай- лов.
   
2. 
   В среде MATLAB создать и обучить нейронную сеть (НС), пред- назначенную для распознавания печатных символов.
   
3. 
   Исследовать зависимость качества работы НС от:
   

• 
  степени искажения символов (параметр p);
  
• 
  числа нейронов в скрытом слое.
  

ПРИМЕР ВЫПОЛНЕНИЯ РАБОТЫ

Цель работы: обучить нейронную сеть распознавать рукописные цифры.

Перед нами стоит задача классификации: есть десять эталонных об- разцов, цифры от 0 до 9.

1. 
   Импорт библиотек для работы и загрузка датасета MNIST. MNIST - объёмная датасет образцов рукописного написания цифр. Он вклю- чает в себя 60,000 изображений для тренировки and 10,000 тестовых изоб- ражений.
   

2. 
   Части x_train и x_test содержат изображения в цветовом про- странстве RGB в оттенках серого (уровни яркости от 0 до 255). Выведем пример рукописной цифры из датасета MNIST.
   

3. 
   Тренировочная выборка: 60000 изображений 28*28 пикселей. Тестовая выборка: 10000 изображений 28*28 пикселей.
   

4. 
   Нормализация изображений. Мы должны нормализовать наши данные, как это всегда требуется в моделях нейронных сетей. Мы можем достичь этого, разделив коды RGB на 255 (это максимальное значение для цветового пространства RGB). Преобразуем данные в float. Теперь уровень яркости определяется значением от 0 до 1.
   

5. 
   Построение нейронной сети. Мы будем конфигурировать нашу сеть с помощью Kernas API с использованием библиотеки TensorFlow, кото- рая включает инструменты для работы с сетью.
   

Входные значения: 784 (28*28) значений от 0 до 255 (уровней яркости изображения) На входной слой – 800 нейронов. На выходной слой 10 нейро- нов и вероятность что на изображении эталонная цифра.

Используется последовательная модель: модель, в которой слои нейронной сети идут друг за другом.

6. 
   Компиляция. Метод обучения – Adam adaptive moment estima- tion. Он сочетает в себе и идею накопления движения и идею более слабого обновления весов для типичных признаков.
   

7. 
   Запуск (10 эпох) и определение точности.
   

Точность модели после сравнения составила 98%.

8. 
   Проверим индивидуальное распознавание цифр.
   

9. 
   Проверим сеть, как она будет работать с искаженными циф- рами. Для этого с помощью Adobe Photoshop создаем изображение размером 32*32 и рисуем цифру. Для более оптимизированной работе тестовое изоб- ражение сохраняется в формате .tif.
   

Нормализация изображения для теста.

Без искажений.


Фильтр «diffusion» 10% + поворот вправо на 20*.

Фильтр «diffusion» 20%.


Фильтр «diffusion» 15%, масштабирование, лишний элемент, пово-

рот.



Попробуем другую цифру. Без искажений.

Поворот на 30%.



Поворот на 40%.

Фильтр «diffusion» 10%.



Фильтр «diffusion» 30%.



Фильтр «diffusion» 50%.