Курсовая с практикой на тему Рекуррентные нейронные сети (C# язык программирования)

Содержание:

Задание на курсовую работы 2

Введение 4

Описание метода и алгоритмов, подходы к визуализации 6

Анализ решений 9

Определение функциональных требований 13

Описание классов и пользовательских методов 15

Результаты тестирования ПО 17

Код программы 21

Заключение 25

Список использованных источников 26

Введение:

Нейронная сеть – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма.

Основным достоинством искусственных нейронных сетей (ИНС) в задачах распознавания состоит в их функционировании подобно человеческому мозгу.

Существует разнообразные методы, используемые для распознавания образов. К числу современных методов относятся искусственные нейронные сети (ИНС). ИНС присущи следующие качества: обучение на основе опыта, обобщение знаний, извлечение необходимой информации из множества исходных данных. ИНС способны обучаться согласно выбранной архитектуре выстраивать взаимосвязи межу нейронами при изменении внешних условий. Обученная определенным алгоритмом ИНС, обладает свойством обобщения и позволяет избежать необходимости строгого соответствия входным данным. ИНС в ходе обучения способны извлекать наиболее существенную информацию, т.е. идеальные образы для «запоминания».

Основной проблемой решения задач классификации и распознавания образов является то, что данные задачи не имеют явного алгоритма решения. Коррелированность распознаваемых образов, их зашумлённость или процент искажения, а также множество иных нюансов, зависящих от конкретной задачи, оказывают существенное влияние на надёжность решения. Одним из методов решения задач классификации и распознавания образов является использование искусственных нейронных сетей, представляющих собой самообучающиеся системы. Одной из таких нейронных сетей является сеть Хопфилда. Нейронная сеть Хопфилда – автоассоциативная рекуррентная сеть, которая может восстановить искажённый образ с помощью его полной версии, имеющейся в памяти сети. В основе работы сети Хопфилда заложен алгоритм изменения внутреннего состояния сети от итерации к итерации. Сеть прекращает работу, когда состояние сети на предыдущей итерации совпадает с состоянием сети на текущей заключительной итерации. Настройка сети очень проста и представляет собой расчет матрицы весовых коэффициентов синапсов сети на основе закодированных образов.

Целью работы является провести сравнительный анализ распознавания изображений методом проекций и по правилу Хебба и разработать программу на языке C# с возможность изменения функции активации нейрона.

Заключение:

В работе рассмотрены вопросы распознавания изображений нейронными сетями Хопфилда, выполнен сравнительный анализ распознавания изображений методом проекций и по правилу Хебба. Для этих целей разработана программа на языке C# в среде Microsoft Visual Studio 2015. В ходе распознавания эталонных и искаженных образов изображений с разным уровнем зашумленности показал, что сети Хопфилда, обучаемые методом проекций способны запоминать и восстанавливать исходные образы со значительными искажениями.

Фрагмент текста работы:

Описание метода и алгоритмов, подходы к визуализации

Искусственные нейронные сети нашли широкое применение в научных и прикладных задачах, связанных с оценкой и классификацией земель прогнозированием, распознаванием образов. Ассоциативная память – это такая память, которая может только восстанавливать образы, но не может ассоциировать законченный образ с другими образами. Особенности ассоциативной памяти относят к наиболее важным особенностям человеческого мозга и используются человеком в повседневной жизни. Алгоритмы распознавания образов применяются при распознавании букв и цифр отсканированного текста, при распознавании денежных купюр в банкомате. При этом, важно не только распознать, но и восстановить исходный образ, если он немного испорчен, например, если денежная купюра имеет некоторые потертости. Функции ассоциативной памяти реализует известная сеть Хопфилда, разработанная американским физиком Джоном Хопфилдом в 1982 г. В настоящее время существует множество модификаций сети Хопфилда, разработанных другими учеными. В данном проекте рассматривается классическая сеть Хопфилда, обучаемая по правилу Хебба.

По архитектуре сеть Хопфилда является рекуррентной сетью, т.к. имеет обратные связи между нейронами. Выделяют три слоя нейронов: входной, слой Хопфилда, выходной слой. Выходы слоя Хопфилда подсоединяются ко всем нейронам входного слоя, кроме самих себя. Структура сети Хопфилда представлена на рис.1.

Сеть Хопфилда обучается по правилу Хебба. Правило Хебба обеспечивает устойчивость сети Хопфилда на заданном наборе относительно небольшого числа ортогональных образов. Далее рассмотрим процесс обучения.

Каждый входной образец кодируется в виде вектора, состоящего из -1 или 1. Далее входные вектора xk необходимо транспонировать в вектора xkT, где k – это номер входного образа.