Тема курсовой работы: Разработка системы распознавания образов

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ 3
ПОСТАНОВКА ЗАДАЧИ 5
ФОРМАЛИЗАЦИЯ ЗАДАЧИ 6
ВЫБОР ТИПА И СТРУКТУРЫ НЕЙРОННОЙ СЕТИ 6
ВЫБОР МЕТОДА РАСПОЗНАВАНИЯ 6
ОБУЧЕНИЕ СИСТЕМ РАСПОЗНАВАНИЯ 10
РАЗРАБОТКА ПРОГРАММНО - МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ 12
ОПИСАНИЕ РАБОТЫ С ПРОГРАММОЙ. 12
ОПИСАНИЕ ИНТЕРФЕЙСА ПОЛЬЗОВАТЕЛЯ, ЭКРАННЫЕ ФОРМЫ. 13
ЗАКЛЮЧЕНИЕ 15
ЛИТЕРАТУРА 16
ПРИЛОЖЕНИЕ А. ЛИСТИНГ ПРОГРАММЫ 17

ВВЕДЕНИЕ





Работы по созданию интеллектуальных систем ведутся в двух направлениях. Сторонники первого направления, составляющие сегодня абсолютное большинство среди специалистов в области искусственного интеллекта, исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам. Важно лишь то, что теми или иными средствами удается добиться тех же результатов в поведении, какие характерны для человека и других биологических систем. Сторонники второго направления, считают, что на чисто информационном уровне этого не удастся сделать. Феномены человеческого поведения, его способность к обучению и адаптации, по мнению этих специалистов, есть следствие именно биологической структуры и особенностей ее функ-ционирования.

В литературе приведены доказательства того, что для любого алгоритма существует нейронная сеть, которая его реализует. То есть нейронные сети являются универсальными вычислительными устройствами.

В процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию g: Y=g(X). Если архитектура сети задана, то вид функции g определяется значениями весов и смещений сети.

В настоящее время на рынке программного обеспечения имеется множество самых разнообразных программ для моделирования нейронных сетей. Для решения разных практических задач требуются различные модели нейронных сетей. Модель нейронной сети определяется моделями нейронов и структурой связей сети.

В зависимости от структуры связей можно выделить несколько групп нейронных сетей:

 Многослойные нейронные сети. Нейроны в таких сетях делятся на группы с общим входным сигналом - слои. Различают несколько типов связей между слоями с номерами m и (m+s):

 последовательные, если s=1,

 прямые, если s>1,

 обратные, если s<0.
• Полносвязные нейронные сети. Каждый нейрон в полносвязных сетях связан со всеми остальными. На каждом такте функционирования сети на входы нейронов подается вешний входной сигнал и выходы нейронов предыдущего такта.

• Нейронные сети с локальными связями. Нейроны в таких сетях располагаются в узлах прямоугольной решетки. Каждый нейрон связан с небольшим числом (4 или 8) своих топологических соседей.

• Неструктурированные нейронные сети. К этой группе относятся все модели нейронных сетей, которые нельзя отнести ни к одной из предыдущих групп.

Для конкретной задачи как правило требуется разработка нейронной сети специальной конфигурации. Задача выбора конфигурации сети на данный момент почти не формализована. Выбор производится исходя из личного опыта разработчика, а также на основе проведенных экспериментов, целью которых является определение соответствия возможностей сети поставленной задаче.

Однако зачастую для несложных задач можно смело использовать простейшую нейронную сеть – персептроны.

В данной курсовой работе разработана программа для распознавания символов, основой которой и является нейронная сеть.





ПОСТАНОВКА ЗАДАЧИ



Распознавание образов (а часто говорят - объектов, сигналов, ситуаций, явлений или процессов) - самая распространенная задача, которую человеку приходится