Распознавание изображений (персептрон)

Лабораторная работа

по курсу 

"Интеллектуальные системы":

Распознавание изображений с помощью персептрона

Выполнил 

студент группы ИУ5-81

Баришок Н.И.

Краткое описание
Разработка программы, которая обучает искусственную нейронную сеть (персептрон) распознавать два или более черно-белых изображения.

Цель работы
Изучить принципы работы и алгоритм обучения простейших искусственных нейронных сетей (НС).

Требования к исходным данным и функциональности компьютерной программы

• В программе должна быть реализована возможность задания обучающей выборки из внешних файлов изображений
• Изображения должны быть черно-белыми (bitmap) и размером не менее 9 (3x3) пикселей.
• Программа должна иметь два режима работы: обучения и распознавания.
• Обучение должно производиться по стандартному алгоритму обучения персептрона с использованием дельта-правила.
• В программе должны задаваться следующие настройки:
  • количество входов нейрона, которое соответствует общему числу пикселей изображения
  • коэффициент скорости обучения (если его значение постоянно)
  • правильные варианты элементов обучающей выборки
  • размер ошибки, при котором обучение персепетрона завершается (опционально)
• На экранной форме режима обучения должны отображаться:
  • элементы обучающей выборки (изображения)
  • настройки алгоритма обучения
  • текущие (итоговые) веса нейронов и значение порога активационной функции
  • протоколы результатов обучения (значения весов для каждой итерации)
• На экранной форме режима распознавания должны отображаться:
• распознаваемое изображение (должно выбираться из всего множества)
• результат распознавания
• веса нейронов и значение порога активационной функции
• значения выходов всех нейронов до и после применения активационной функции

Алгоритмы обучения и распознавания персептрона:

Персептрон - простейшая однонаправленная нейронная сеть.

В качестве функции f применяется биполярная функция активации:

Сигнал Х на выходе линейной части перспетрона задается выражением

здесь w0 = v, u0=-1

Задача персептрона заклчается в классификации вектора u=[u1,...,un]T в смысле отнесения его к классу либо L1 или L2. Персептрон относит вектор к классу L1, если выхдной сигнал равен 1, и l2, если -1. После этого персептрон разделяет N-мерное пространство входных векторов u на 2 полупространства, разделяемые (n-1)-мерной плоскостью, задаваемой уравнением

Обучение персептрона заключается в реккурентной коррекции вектора весов w(n), согласно формулам:

Пошаговое выполнение алгоритма в программе:

Участок кода, ответственный за подбор весов персептрона:

double delta = 0;

            this.InitWeights();

            for (int i = 0; i < etalonPictures.Count; i++)

            {

                ObservableCollection<bool> currentitem = etalonPictures.ElementAt(i);

                double value = 0;

                int j = 0;

                foreach (bool item in currentitem)

                {

                    value += Convert.ToInt32(item) * m_weights[j];

                    j++;

                }

                delta = Math.Round((1 - value) * this.RightTrainingSpeed, 2);

                this.UpdataWeights(currentitem, delta);

            }

            for (int i = 0; i < trainingPictures.Count; i++)

            {

                ObservableCollection<bool> currentitem = trainingPictures.ElementAt(i);

                double value = 0;

                int j = 0;

                foreach (bool item in currentitem)

                {

                    value += Convert.ToInt32(item) * m_weights[j];

                    j++;

                }

                delta = Math.Round((0 - value) * this.WrongTrainingSpeed, 2);

                this.UpdataWeights(currentitem, delta);

            }

            ObservableCollection<bool> item1 = etalonPictures.ElementAt(0);

            double temp = this.EvaluateThreshHoldFunc(item1);

            m_thresholdFunc = Math.Round(temp, 2) - 0.01;

Полный проект решения можно найти здесь

При выполнении ЛР были использованы следующие источники:

-"интеллектуальная" часть:

+Рутковская Д., Пилиньский М., Рутковский Л. - Нейронные сети, генетические алгоритмы и нечеткие системы (2006)

+конспекты лекций

-программная часть:

+msdn.microsoft.com

+stackoverflow.com

+статьи по теме: mvvm-pattern in wpf

Описание разработки:

-язык программирования: C#

-техннология: WPF

-среда разработки: VS 2010

* для корректной работы прораммы на ПК необходимо установить:

-.net frameork v4.0

-entity framework v4.2