Лабораторная работа «Задачи распознавания образов»




Скачать 28,05 Kb.
НазваниеЛабораторная работа «Задачи распознавания образов»
Дата04.02.2016
Размер28,05 Kb.
ТипЛабораторная работа
Лабораторная работа

«Задачи распознавания образов»


Цель работы – закрепить навыки применения математического аппарата нейронных сетей для решения задачи распознавания образов.

Учебный вопрос: обучение персептрона; дельта-правило и распознавание букв.

Изучив данную тему, студент должен:

знать:

- алгоритм обучения персептрона;

- возможности и области применения персептронов;

- виды активационных функций в современных нейронных сетях;

- способ распознания, заложенный в пандемониуме Селфриджа и персептроне Розенблатта;

уметь:

- разбираться в задачах распознания образов;

- проектировать нейронную сеть и работать с ней;

- проектировать и обучать персептроны;

- описать принцип действия персептрона Розенблатта;

владеть:

- навыком работы с интеллектуальными системами распознания образов;

- навыком работы с интеллектуальными системами распознания текстов;

- навыком составления программ обучения однонейронного персептрона с помощью правил Хебба и дельта-правил (ПК-9, ПК-13).


1. Краткое изложение основных теоретических и методических аспектов работы

1.1. Классификация чисел

В 1943 году американские учёные Маккаллок и Питс предложили математическую модель нейрона мозга человека, назвав её математическим нейроном. Так же как и биологический нейрон мозга, математический нейрон имеет несколько входов и один выход. Кроме того, он может существовать в возбуждённом и невозбуждённом состояниях, причём переход в возбуждённое состояние зависит от величины поступающих к нему сигналов и сил синаптических связей. Таким образом, математический нейрон весьма правдоподобно имитирует структуру и свойства своего прототипа – биологического нейрона мозга. На этом основании Маккаллок и Питс высказали весьма смелое предположение, которое впоследствии легло в основу современной нейроинформатики. Они предположили, что если математические нейроны связать между собой проводниками электрического тока, имитирующими нервные волокна, то такой искусственный мозг будет способен решать интеллектуальные задачи, подобно тому, как это делает естественный человеческий мозг.

Идея Маккаллока-Питса была воплощена в жизнь в 1958 году американским учёным Фрэнком Розенблаттом, также считающимся основателем нейроинформатики. Сначала он создал компьютерную программу для IBM-794, эмулирующую деятельность математических нейронов. Это была первая нейронная сеть или сокращённо – нейросеть. Она была названа персептроном от английского слова perception – осознание.

Затем, спустя два года, Розенблатт смонтировал электронное устройство, в котором функции математических нейронов выполняли отдельные электросхемы, работающие на электронных лампах. Это был первый нейрокомпьютер, который успешно решал сложнейшую интеллектуальную задачу – распознавал буквы латинского алфавита, изображенные на карточках, подносимых к его считывающему устройству – электронному глазу.

Рассмотрим принцип действия персептрона на примере несколько более простой задачи, чем задача распознавания букв. На рис. 1 приведён один из простейших вариантов исполнения персептрона, предназначенного для классификации чисел на чётные и нечётные. Представим себе матрицу из 12 фотоэлементов, расположенных в виде четырёх горизонтальных рядов по три фотоэлемента в каждом ряду. На матрицу фотоэлементов накладывается карточка с изображением цифры, например «4», как изображено на рисунке. Если на какой-либо фотоэлемент попадает фрагмент цифры, то этот фотоэлемент вырабатывает сигнал в виде единицы, в противном случае – ноль. На рис. 1 первый фотоэлемент выдает сигнал x1=0, второй фотоэлемент – x2=1 и т.д.

Согласно формулам

, (1)

, (2)

математический нейрон выполняет суммирование входных сигналов xj, помноженных на синаптические веса wj, после чего результат суммирования сравнивается с порогом чувствительности θ и вырабатывается выходной сигнал y.

Первоначальные значения синаптических весов wj и порога чувствительности θ Розенблатт задавал датчиком случайных чисел, поэтому на выходе персептрона случайным образом вырабатывался сигнал: либо 0, либо 1.

Задача состояла в следующем. Требовалось подобрать значения синаптических весов wj такими, чтобы выходной сигнал y принимал значение единица, если на карточке было изображено чётное число, и ноль, если число было нечётным.


Рис. 1. Персептрон, классифицирующий числа на чётные и нечётные.

Эту задачу Розенблатт решил путём поочередного накладывания на фотоэлементы карточек и обучения персептрона, заключающегося в корректировке синаптических весов wj. Если, например, на вход персептрона предъявлялась карточка с цифрой «4» и выходной сигнал y случайно оказывался равным единице, означающей чётность, то корректировать синаптические веса было не нужно, так как реакция персептрона правильна. А если выходной сигнал оказался равным нулю, что неправильно, то следовало увеличить (поощрить) веса тех активных входов, которые способствовали возбуждению нейрона. В данном случае увеличению подлежали w2, w11 и др.

Следуя этой идее, можно сформулировать итерационный алгоритм корректировки синаптических весов, обеспечивающий обучение персептрона в нужном направлении.

Шаг 1. Датчиком случайных чисел всем синаптическим весам wj (j=1,…,12) и порогу чувствительности нейрона θ присвоить некоторые малые случайные значения.

Шаг 2. Предъявить персептрону какую-либо цифру. Системой фотоэлементов вырабатывается входной вектор xj (j=1,…,12).

Шаг 3. Нейрон выполняет взвешенное суммирование входных сигналов

(3)

и вырабатывает выходной сигнал y=1, если S≥θ, или y=0, если S< θ.

Шаг 4,а. Если выходной сигнал правильный, то перейти на шаг 2.

Шаг 4,б. Если выходной сигнал неправильный и равен нулю, то увеличить веса активных входов, добавить каждому j-му синаптическому весу величину j-го входного сигнала:

wj(t+1)=wj(t)+xj. (4)

Тогда, если вход был неактивен, т.е. xj=0, то j-й синаптический вес не изменится. Если же вход был активен, т.е. xj=1, то j-й синаптический вес будет увеличен на 1.

Здесь и далее буква t означает номер итерации, которые в искусственном интеллекте называют эпохами; wj(t+1) – новое значение (на новой эпохе) j-го синаптического веса; wj(t) – его старое значение (на предыдущей эпохе).

Шаг 4,в. Если выходной сигнал неправильный и равен единице, то уменьшить веса активных входов, например с помощью аналогичной формулы:

wj(t+1)=wj(t)-xj. (5)

Шаг 5. Перейти на шаг 2 или завершить процесс обучения.

В приведённом здесь алгоритме шаг 4,б называют первым правилом Хебба, а шаг 4,в вторым правилом Хебба в честь канадского учёного-физиолога Д.О. Хебба, предложившего этот алгоритм в 1949 году. Отметим, что правила Хебба удивительным образом напоминают процесс обучения ребёнка или школьника методом «поощрения-наказания» (или дрессировки животного методом «кнута и пряника»). Как и в случаях с ребёнком, обучаемом этим методом, алгоритм обучения персептрона за конечное число попыток (их называют итерациями или эпохами) может привести к цели – персептрон в конце концов усвоит необходимые знания, закодирует их в виде конкретных значений матрицы сил синаптических связей wj и, таким образом, научится различать чётные и нечётные числа.

Естественно возникает вопрос, всегда ли алгоритм обучения персептрона приводит к желаемому результату. Ответ на этот вопрос дает теорема сходимости персептрона:

Если существует множество значений весов, которые обеспечивают конкретное различение образов, то в конечном итоге алгоритм обучения персептрона приводит либо к этому множеству, либо к эквивалентному ему множеству, такому, что данное различение образов будет достигнуто.

В настоящее время считается, что по числу выполненных доказательств теорема сходимости персептрона занимает первое место в мире. Ранее самой доказанной в мире теоремой считалась теорема Пифагора.


1.2. Распознавание печатных букв

Алгоритм обучения персептрона можно представить в более общей форме. Если за d обозначить требуемый выходной сигнал (от слов desire response, что в переводе с английского означает «желаемый отклик»), то на каждой эпохе обучения можно рассчитывать разницу между требуемым ответом персептрона d и реальным значением y, вычисляемым на его выходе:

ε=d-y. (6)

Тогда:

- случай ε=0 соответствует шагу 4,а;

- случай ε>0 соответствует шагу 4,б;

- случай ε<0 соответствует шагу 4,в.

Идея алгоритма обучения персептрона с помощью правил Хебба сохранится, если итерационный процесс корректировки весов вести по формулам:

wj(t+1)=wj(t)-Δwj, (7)

Δwj=εxj, (8)

в которых wj(t) и wj(t+1) – старое и новое значения весовых коэффициентов персептрона, j – номер входного сигнала.

Кроме того, можно получить аналогичную итерационную формулу для подстройки нейронного смещения b, если учесть, что его можно интерпретировать как вес w0 дополнительного входа x0, значение которого всегда равно 1:

w0(t+1)=w0(t)-Δw0, (9)

Δw0=ε. (10)


В итерационные формулы полезно ввести коэффициент скорости обучения η, с помощью которого можно управлять величиной коррекции синаптических весов и нейронного смещения:

Δwj=ηεxj, (11)

Δw0=ηε. (12)

При слишком больших значениях коэффициента η обычно теряется устойчивость процесса обучения, тогда как при слишком малых – повышаются временные затраты. На практике коэффициент скорости обучения η обычно задают в пределах от 0,05 до 1.

Алгоритм обучения персептрона с использованием этих формул известен под названием дельта-правила.

Дальнейшее развитие идеи персептрона и алгоритмов обучения связано с усложнением его структуры и развитием функциональных свойств. На рис. 2 представлена схема персептрона, предназначенного для распознавания букв русского алфавита. В отличие от предыдущей схемы, такой персептрон имеет 33 выходных нейрона: каждой букве алфавита соответствует свой выходной нейрон. Полагается, что сигнал первого выходного нейрона y1 должен быть равен единице, если персептрону предъявлена буква «А», и нулю для всех остальных букв. Выход второго нейрона y2 должен быть равен единице, если персептрону предъявлена буква «Б», и нулю во всех остальных случаях. И так далее до буквы «Я».



Рис. 2. Персептрон, предназначенный для распознавания букв русского алфавита.

Алгоритм обучения данного персептрона выглядит следующим образом.

Шаг 1. Датчиком случайных чисел всем весовым коэффициентам wij и нейронным смещениям wi0 (i=1,…,33, j=1,…,12) присваиваются некоторые малые случайные значения.

Шаг 2. Персептрону предъявляется какая-либо буква алфавита, системой фотоэлементов вырабатывается входной вектор xj (j=1,…,12). Сигналы дополнительных нейронных входов присваиваются единичными: x0=1.

Шаг 3. Каждый нейрон выполняет взвешенное суммирование входных сигналов

(13)

и вырабатывает выходной сигнал yi=1, если Si≥0; yi=0 если Si<0.

Шаг 4. Для каждого нейрона вычисляется его ошибка

εi=di-yi, (14)

где di – вектор правильных (желаемых) ответов персептрона, например, для буквы «А» d1=1, d2=0,…, d33=0 и т.д.

Шаг 5. Производится корректировка весовых коэффициентов и нейронных смещений:

wij(t+1)=wij(t)+Δwij, Δwij=ηεixj (15)

wi0(t+1)=wi0(t)+Δwi0, Δwi0=ηεi (16)

где t – номер итерации (эпохи).

Шаг 6. Повторение шагов 2 – 5 необходимое количество раз.

Заметим, что в этом алгоритме формулы для корректировки нейронных смещений wi0 можно не писать, т.к. они будут выполняться автоматически, если цикл по индексу j начинать не от единицы, а от нуля.

Первый действующий персептрон был создан в 1958-1961 годах. Он был предназначен для распознавания букв латинского алфавита. Буквы, отпечатанные на карточках, поочерёдно накладывали на табло фотоэлементов и осуществляли процесс обучения персептрона согласно приведённому здесь алгоритму. После выполнения достаточно большого количества итераций персептрон научился безошибочно распознавать все буквы, участвовавшие в обучении. Таким образом, была подтверждена гипотеза о том, что компьютер, построенный по образу и подобию человеческого мозга, будет способен решать интеллектуальные задач и, в частности – решать задачу распознавания образов.

Помимо того, что персептрон научился распознавать знакомые образы, т.е. те образы, которые демонстрировались ему в процессе обучения, он успешно справлялся с распознаванием образов, которые «видел» впервые. Выяснилось, что персептрон оказался способным распознавать буквы, отпечатанные с небольшими искажениями и даже другим шрифтом, если шрифт не слишком сильно отличался от используемого при обучении персептрона.

Свойство мозга узнавать образы, которые ему встретились впервые, называется свойством обобщения. Это свойство было унаследовано персептроном непосредственно от его прототипа – мозга. Оно было унаследовано благодаря тому, что персептрон является адекватной моделью мозга, удачно отражающей как его структурные, так и функциональные качества. Именно свойство обобщения впоследствии позволило применить персептрон для решения широчайшего круга практических задач, недоступных для традиционных методов. Именно благодаря этому свойству нейронные сети стали эффективнейшим инструментом научных исследований и практических приложений. Именно благодаря этому свойству нейросетевые и нейрокомпьютерные технологии заняли то лидирующее положение, которое они занимают в настоящее время.


1.3. Распознавание печатных и рукописных букв

Итак, персептрон научился распознавать не только буквы, на которых его обучали, но и буквы, которых в обучающем множестве не было, если они не слишком отличались от букв обучающего множества. Свойство распознавать новые образы, которые персептрон никогда «не видел», было названо свойством обобщения.

Дальнейшее развитие идеи персептрона было связано с попытками расширить круг его применения и усовершенствовать алгоритм обучения. Существенное развитие персептрона было сделано американскими учёными Уидроу и Хоффом, которые вместо ступенчатой активационной функции ввели непрерывную нелинейную функцию активации

, (17)

график которой изображён на рис. 3.

Эту функцию назвали сигмоидой из-за того, что её графическое изображение напоминает латинскую букву «S». Другое название сигмоиды – логистическая функция.



Рис. 3. Сигмоидная активная функция y=fσ(S).

Подобно обычной пороговой функции активации, сигмоида отображает точки области определения (-∞, +∞) в значения из интервала (0, +1). Практически сигмоида обеспечивает непрерывную аппроксимацию классической пороговой функции.

Для сигмоиды приняли обозначение y=fσ(S). Персептроны с сигмоидными активационными функциями с одним выходом назвали адалайн, с несколькими выходами – мадалайн (от английских слов ADAptive LInear NEuron и Many ADALINE).

Появление персептронов с непрерывными активационными функциями обусловило появление новых подходов к их обучению. Уидроу и Хофф предложили минимизировать квадратичную ошибку, определяемую формулой:

, (18)

в которой di – требуемый (желаемый) выход i-го нейрона, а yi – тот, который получился в результате вычислений персептрона.

Рассмотрим алгоритм коррекции весовых коэффициентов персептрона, имеющего J входов и I выходов (рис. 4).



Рис. 4. Персептрон с J входами и I выходами.

Квадратичная ошибка обучения персептрона ε зависит от того, какими являются весовые коэффициенты wij. Другими словами ε является функцией от весовых коэффициентов wij: ε=ε(wij). Обычно изучаются функции только от одного аргумента: y=y(x), которые на координатной плоскости x, y изображаются, как известно, в виде кривых линий. Если функция z зависит от двух аргументов: z=z(x, y), то она изображается в трёхмерной системе координат x, y, z в виде поверхности. Функция-ошибка персептрона ε=ε(wij) зависит от большого количества аргументов wij, поэтому для её графического представления требуется многомерная система координат, которую в нашем трёхмерном мире сложно себе представить. В этой многомерной системе координат функция ε=ε(wij) изображается в виде многомерной поверхности, называемой гиперповерхностью.

Чтобы хоть как-то представить себе гиперповерхность, предположим, что все аргументы wij имеют постоянные значения за исключением двух, например w11 и w12, которые являются переменными. Тогда в трёхмерной системе координат w11, w12, ε гиперповерхность будет иметь вид фигуры, напоминающей параболоид, которую назовём псевдопарабалоидом (рис. 5). Процесс обучения персептрона теперь можно представить как отыскание такого сочетания весовых коэффициентов wij, которому соответствует самая нижняя точка гиперпсевдопараболоида. Задачи подобного рода называются оптимизационными. Говорят, что оптимизационная задача состоит в минимизации функции ε=ε(wij) в многомерном пространстве параметров wij.



Рис. 5. Графическое изображение функции-ошибки персептрона ε=ε(wij) в трёхмерной системе координат w11, w12, ε.

Таким образом, если раньше говорили, что персептрон обучают методом «поощрения-наказания», то теперь стали говорить, что задача обучения персептрона – это задача оптимизации (минимизации) персептронной ошибки (погрешности).

Существует множество методов решения оптимизационных задач. Наиболее простым методом является перебор весовых коэффициентов wij с последующими вычислениями и сравнениями между собой соответствующих этим коэффициентам значений функции ε. Более эффективен метод градиентного спуска, согласно которому изменение (коррекция) каждого весового коэффициента Δwij производится в сторону, противоположную градиенту функции ε. Градиент функции является очень важным математическим понятием. Градиент функции ε=ε(wij) представляет собой вектор, проекциями которого на оси координат являются производные от функции ε по этим координатам (их обозначают ∂ε/∂wij), и что градиент функции всегда направлен в сторону её наибольшего возрастания. Поскольку наша задача состоит в отыскании минимума функции ε=ε(wij), то необходимо опускаться по поверхности ошибок, что обеспечивается движением в сторону, противоположную градиенту этой функции. Отсюда и упомянутое выше название – метод градиентного спуска.

Движение в сторону, противоположную градиенту (т.е. противоположную направлению возрастания функции), будет осуществляться, если на каждой итерации к координатам текущей точки wij будем добавлять величину, прямо пропорциональную производной по координате wij, взятую с противоположным знаком:

, (19)

где η – некоторый коэффициент, обычно задаваемый в пределах от 0,05 до 1, и называемый коэффициентом скорости обучения.

Обратите внимание, что согласно формуле (19) движение идёт не только в сторону убывания функции, но и со скоростью, прямо пропорциональной скорости убывания (крутизне) функции, т.к. делаем шаг Δwij, пропорциональный производной, взятой со знаком минус.

Квадратичная ошибка ε является сложной функцией, зависящей от выходных сигналов персептрона yi, которые, в свою очередь, зависят от wij, т.е. ε=ε(yi(wij)). По правилу дифференцирования сложной функции

. (20)

Выходные сигналы нейронов yi вычисляются с помощью сигмоидных активационных функций yi=fσ(Si), аргументом которых являются суммы . Следовательно,

. (21)

Кроме того, если продифференцировать (18) по yn, где n∈[1,I], то получится , значит

. (22)

Подставив (21) и (22) в (20) и затем полученное выражение в (19), окончательно будем иметь

. (23)

Это выражение получено для нейронов с активационными функциями любого вида. Если fσ(Si) – сигмоида, заданная формулой (17), то

. (24)

Подставив это выражение в (23), получим:

. (25)

Итак, мы получили итерационную формулу для обучения персептрона

wij(t+1)=wij(t)+Δwij, (26)

где

Δwij=ηδixj, (27)

δi=yi(1-yi)(di-yi). (28)

Введённую здесь с помощью формулы (28) величину δi в дальнейшем будем называть нейронной ошибкой. Алгоритм (26)-(28) называют обобщённым дельта-правилом. Его преимущество по сравнению с обычным дельта-правилом состоит в более быстрой сходимости и в возможности более точной обработки входных и выходных непрерывных сигналов, т.е. в расширении круга решаемых персептронами задач.

Итак, введение сигмоидной функции активации вместо функции-ступеньки и появление нового алгоритма обучения – обобщённого дельта-правила, расширило область применения персептрона. Теперь он может оперировать не только с бинарными (типа «ноль» и «единица»), но и с непрерывными (аналоговыми) выходными сигналами.


Контрольные вопросы

1. Как устроен элементарный персептрон Розенблатта?

2. Как осуществляется обучение элементарного персептрона с помощью алгоритма Хебба?

3. В чём заключается отличие элементарного персептрона от однослойного персептрона?

4. Какой алгоритм используется для обучения однослойного персептрона?

5. Как оценивается качество распознавания однослойного персептрона?

6. Чем отличается нейронная сеть от нейрокомпьютера?

7. Каким образом вырабатываются входные сигналы персептрона, классифицирующего числа на чётные и нечётные?

8. Каким образом задаются первоначальные значения синаптических весов и как они затем корректируются?

9. В каком виде персептрон хранит знания, необходимые для распознавания цифр?

10. Какая теорема считается самой доказанной в мире?

11. Дайте формулировку теоремы сходимости персепт­рона.

12. Что подразумевается под введёнными обозначениями di и yi? Чем они отличаются?

13. Напишите формулу, с помощью которой вычисляется нейронная ошибка i.

14. Напишите формулы, по которым согласно алгоритму дельта-правила корректируются синаптические веса и нейронные смещения.

15. Что такое коэффициент скорости обучения, для чего он нужен и в каких пределах его обычно задают? К чему приводят слишком большие и слишком маленькие значения скорости обучения?

16. Чем отличается схема персептрона, предназначенного для классификации чисел на чётные и нечётные, от схемы персептрона, распознающего буквы русского алфавита?

17. Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания букв английского алфавита?

18. Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания не только букв, но и цифр?

19. Что понимается под свойством обобщения, которым обладает мозг человека и его модель — персептрон?

20. Как научить персептрон распознавать не только печатные, но и рукописные буквы?


2. Порядок выполнения задания

1. Перед выполнением задания изучить теоретический материал и ответить на контрольные вопросы.

2. Запустить программу Zadanie2.exe и выполнить представленные задания.

3. Запустить программу Zadanie3.exe и выполнить представленные задания.

4. Сделать выводы, предъявить отчёт и защитить работу.


3. Требования к оформлению, процедура защиты

1. Отчёт по данной работе должен содержать описание хода выполнения основных задач. При защите необходимо дать требуемые пояснения к содержанию отчёта и ответить на контрольный вопрос.

2. При защите необходимо ответить на вопросы преподавателя. Допускается представление отчёта в электронном варианте.

Похожие:

Лабораторная работа «Задачи распознавания образов» iconЛабораторная работа «Задачи дискретной оптимизации»
Цель работы – закрепить навыки применения математического аппарата нейронных сетей для решения задачи распознавания образов
Лабораторная работа «Задачи распознавания образов» iconМетоды решения задач распозанавания образов комбинированного типа
Формулировка задач распознавания образов основного и комбинированного типов с кратким обзором существующих подходов к их решению
Лабораторная работа «Задачи распознавания образов» iconПрограммный комплекс для анализа данных трековых детекторов методами распознавания образов и его применение в физике высоких энергий, элементарных частиц и космических лучей
Работа выполнена в Учреждении Российской академии наук Физическом институте им. П. Н. Лебедева ран
Лабораторная работа «Задачи распознавания образов» iconЛабораторная работа №6 оптимальное распределение ресурсов
Цель работы: изучение задачи распределения ресурсов методом динамического программирования
Лабораторная работа «Задачи распознавания образов» iconЛабораторная работа №6 Тема: Решение многокритериальной задачи линейного программирования по нахождению эффективных альтернатив с помощью метода последовательного ввода ограничений
Лабораторные работы по курсу тпр. Составитель ассистент кафедры асу воловщиков В. Ю
Лабораторная работа «Задачи распознавания образов» iconСодержание Лабораторная работа № Работа в командном окне системы Matlab 3
Целью данной лабораторной работы является ознакомление с основами работы в среде Matlab: изучение типов используемых данных, работа...
Лабораторная работа «Задачи распознавания образов» iconЛабораторная работа №1 Работа с массивами и матрицами
Цель работы: закрепить знания по табличным формулам, приобрести навыки решения задач на использование формул и функций массивов в...
Лабораторная работа «Задачи распознавания образов» iconЗадачи контрольной работы контрольная работа
Контрольная работа – форма промежуточного и итогового контроля знаний и умений слушателей, которая решает следующие задачи
Лабораторная работа «Задачи распознавания образов» iconЛабораторная работа Технологическая оснастка

Лабораторная работа «Задачи распознавания образов» iconСинтез и анализ систем распознавания изображений групповых точечных объектов с оценкой их потенциальной помехоустойчивости
Работа выполнена в Марийском государственном техническом университете на кафедре радиотехнических и медико-биологических систем
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib2.znate.ru 2012
обратиться к администрации
Библиотека
Главная страница