МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО
ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
РОСТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
КАФЕДРА БИОФИЗИКИ И БИОКИБЕРНЕТИКИ
ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
на тему:Сравнительный анализ нейросетевых реализаций
алгоритмов распознавания образов.
Студент
И.Е.Шепелев
Научный руководитель А.И.Самарин
К ЗАЩИТЕ ДОПУСКАЮ
Зав. кафедрой
д.б.н,профессор
Б.М.Владимирский
г.Ростов-на-Дону
1998 г.
ОГЛАВЛЕНИЕ
Стр.
Введение
2
1. Общее описание исследуемых нейронных сетей.
2 Однослойные сети. Персептрон.
3 Многослойные сети.
4 Сети Хопфилда.
5. Описание программных моделей и алгоритмов их обучения.
6. Методика и результаты экспериментальных исследований.
7 Проблема функции ИСКЛЮЧАЮЩЕЕ ИЛИ.
3.2 Исследование представляемости однослойной и двухслойной
нейронной сети.
3 Релаксация стимула.
4 Возникновение ложного образа. Выработка прототипа.
5 Бистабильность восприятия.
Заключение.
Литература.
Приложение 1.
Приложение 2.
Введение.
Основным назначением системы распознавания образов является отыскание
решения о принадлежности предъявляемых ей образов некоторому классу. Один
из важных подходов к задаче предполагает использование разделяющих
функций. В условиях, когда мы обладаем лишь немногочисленными априорными
сведениями о распознаваемых образах, при построении распознающей системы
лучше всего использовать обучающую процедуру. На первом этапе выбираются
произвольные разделяющие функции и затем в процессе выполнения итеративных
шагов обучения эти разделяющие функции доводятся до оптимального либо
приемлемого вида.
К определению разделяющих функций в настоящее время существует
несколько подходов. В данной работе рассматриваются два из них, которые
имеют соответствующие нейросетевые реализации. Первый из них -
персептронный подход.
В начале 60х годов Минский, Розенблатт, Уиндроу и другие разработали
сети, состоящие из одного слоя искусственных нейронов. Часто называемые
персептронами, они были использованы для широкого класса задач, в том числе
и искусственного зрения. Однако Минский и Пайперт [2] доказали, что
используемые в то время однослойные сети теоретически неспособны решить
многие простые задачи.
Сети обратного распространения - наиболее успешный, по-видимому, из
современных алгоритмов, преодолевает ограничения, указанные Минским.
Обратное распространение является систематическим методом для обучения
многослойных сетей.
Второй подход при определении разделяющих функций использует понятие
потенциальной энергии. Так Хопфилдом [7] в задаче о релаксации некоторого
начального состояния к одному из устойчивых состояний нейронной сети было
введено понятие потенциальной энергии, которая уменьшалась в процессе
релаксации. Соответствующие нейронные сети известны в литературе как сети
Хопфилда. Это сети с обратными связями, которые в связи с этим обладают
некоторыми свойствами, заслуживающими внимания.
На этапе бакалаврской работы цель состояла в создании компьютерных
моделей указанных выше нейронных сетей и анализе некоторых свойств,
связанных с их обучением и распознаванием ими образов.
1.Общее описание исследуемых нейронных сетей.
1 Однослойные сети. Персептрон.
В соответствии с [3] персептрон представляет собой модель обучаемой
распознающей системы. Он содержит матрицу светочувствительных элементов (S-
элементы), ассоциативные элементы (А-элементы) и реагирующие элементы (R-
элементы). По сути персептрон состоит из одного слоя искусственных
нейронов, соединенных с помощью весовых коэффициентов с множеством входов.
В 60е годы персептроны вызвали большой интерес. Розенблатт [3] доказал
теорему об обучении персептрона и тем самым показал, что персептрон
способен научиться всему, что он способен представлять. Уидроу [12-15] дал
ряд убедительных демонстраций систем персептронного типа. Исследования
возможности этих систем показали, что пер
