Порядок выполнения лабораторной работы. В ходе выполнения лабораторной работы необходимо осуществить программную реализацию конкретной схемы персептрона с заданным алгоритмом обучения

В ходе выполнения лабораторной работы необходимо осуществить программную реализацию конкретной схемы персептрона с заданным алгоритмом обучения. Порядок реализации рассмотрим на примере персептрона, осуществляющего распознавание объектов трех классов благодаря наличию трех сумматоров и сравнению их выходного сигнала. При обучении персептрона использовался алгоритм обучения с учетом правильности ответов.

Этап 1 - Подготовка персептрона к работе

1. Для визуализации подключения рецепторов х_i к А-элементам необходимо сформировать и отобразить таблицу их взаимосвязи (рис. 5).

Заполнение таблицы осуществляется согласно следующим правилам:

· каждый рецептор может быть подключен только к одному А-элементу, подключение может быть со знаком плюс или со знаком минус;

· выбор рецепторов, подключаемых к данному А-элементу, и выбор знака подключения производится случайно;

· количество х – не менее 225, количество А-элементов – не менее 100.

2. Для каждого из распознаваемых классов необходимо создать и отобразить таблицы λ. На рис. 6, 7 и 8 приведены примеры таблиц для трех классов А, В и С соответственно.а образа Аповысить правильность ответов персептрона.

Рис.5. Таблица подключения рецепторов к А-элементам

Рис.6. Таблица λ для класса А

Рис.7. Таблица λ для класса В

Рис.8. Таблица λ для класса С

Этап 2 - Обучение персептрона

Для обучения персептрону последовательно предъявляются объекты всех трех классов с указанием их принадлежности. Количество объектов каждого класса, как правило, одинаково и должно быть не менее 10.

На рис.9 приведен пример обучения класса А.

Рис.9. Обучение персептрона

Объект класса А, на котором проводилось обучение, - утоньшенное бинарное изображение. Однако, как показали исследования, для повышения качества распознавания для обучения и распознавания целесообразно использовать неутоньшенные изображения.

В процессе обучения происходит настройка коэффициентов λ_j персептрона. Согласно заданию для обучения необходимо использовать алгоритм обучения, учитывающий правильность ответов персептрона в ходе обучения.

На рис.10 показано, как изменялись значения λ_j для А класса в процессе предъявления первых 10 объектов.

Рис.10. Значения коэффициентов λ_j для А класса после обучения на 10 объектах

Как видно из рис.10, классу А соответствуют λ коэффициенты с номерами 2, 8, 9 и 15. Их значения изменялись в ходе обучения.

На рис.11 показано, как изменялись значения λ_j для В класса в процессе предъявления первых 20 объектов.

Рис.11. Значения коэффициентов λ_j для В класса после обучения на 20 объектах

На рис.12 показано, как изменялись значения λ_j для С класса в процессе предъявления всех 30 объектов.

Рис.12. Значения коэффициентов λ_j для С класса после обучения на 30 объектах

Этап 3 - Распознавание

Согласно заданной схеме персептрона распознавание, т.е. отнесение неизвестного объекта к одному из трех классов, выполняется в результате сравнения сигналов, поступивших из соответствующих сумматоров. Например, как показано на рис.13, в ходе эксперимента необходимо было распознать букву . Бинарное изображение этой буквы загружается на поле рецепторов персептрона и в результате умножения подобранных на предыдущих этапах для каждого класса коэффициентов λ_j определяются выходные значения трех сумматоров (рис.14).

Рис.13. Загрузка изображения для распознавания

Рис.14. Результат работы сумматоров

Значение сумматора класса В (sumB) имеет наибольшее значение, а значит персептрон правильно распознал предложенное изображение. Результат работы программы приведен на рис.15.

При создании изображений для распознавания и обучения необходимо учитывать тот факт, что для повышения качества распознавания необходимо использовать изображения приблизительного одного размера, расположенные подобным образом.

Рис.15 Результат распознавания

Варианты

N варианта	Кол-во классов	Схема персептрона	Алгоритм обучения
		Сравнение значений сумматоров
	Несколько R-элементов
		Сравнение значений сумматоров
	Несколько R-элементов

Литература

1. Амосова Н.М. Нейрокомпьютеры и интеллектуальные роботы. Киев, 1991- 202 с.:

2. Аркадьев А. Г., Браверманн Э. М. Обучение машины классификации объектов, Москва,“Наука”, 1971 – 192 с.:

3. Дуда Р., Харт П. Распознавание образов и анализ сцен, Москва, «Мир», 1976 – 213 с.:

4. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д.Рудинского. – М.: Горячая линия – Телеком, 2004 – 452 с.:

5. Соколов Е.Н., Вайткявичус Г.Г. Нейроинтеллект от нейрона к нейрокомпьютеру. Москва,Наука, 1989 – 175 с.:

6. Цыганков В.Д. Нейрокомпьютер и его применение. Москва, СолСистем, 1993 – 276 с.:

Методические указания к лабораторным работам

«ПЕРСЕПТРОННЫЕ НЕЙРОСЕТИ»

для студентов специальности 1 40 01 02 –

«Информационные системы и технологии (по направлениям)»

Составитель КОВАЛЕВА Ирина Львовна

Дата добавления: 2017-01-14