НЕЙРОСЕТЬ ДЛЯ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

На протяжении последнего десятилетия нейросети стали успешно применяться в самых различных областях человеческой деятельности для решения задач прогнозирования, анализа и управления, что и объясняет растущий интерес разработчиков к методам разработки нейронных сетей. Возможность нелинейного моделирования и сравнительная простота реализации – это характеристики нейросетевых методов, которые часто делают их незаменимыми при решении сложнейших многомерных задач.
Нейронные сети по своей природе нелинейны и представляют собой исключительно метод моделирования, который позволяет успешно повторять работу даже чрезвычайно сложных зависимостей. В течение многих лет в качестве основного метода в большинстве областей человеческой деятельности было решено использовать линейное моделирование, в связи с тем, что для него хорошо разработаны процедуры оптимизации. А в тех случаях, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо, а таких задач достаточно много, основным рашением таких задач становится нейросетевой метод. Помимо этого, нейросети справляются с проблемами размерности, которые не позволяют моделировать линейные зависимости в случае большого числа переменных.
Принцип работы нейронных сетей – обучение на примерах. Пользователь нейросети подбирает определенную выборку данных (датасет), а затем запускает некоторый алгоритм обучения, который автоматически воспринимает структуру данных и запоминает информацию и в последующем, может успешно распознать данные в будущем. Несомненно, для этого от пользователя требуется определенный набор эвристических знаний о том, как необходимо подготавливать и подбирать данные, выбирать подходящую архитектуру сети и трактовать результаты, однако уровень знаний, который необходим для успешного применения в деятельности нейронных сетей, гораздо скуднее, чем, например, при использовании традиционных методов получения статистики [1].
Определение искусственного нейрона выглядит следующим образом:Нейрон получает входные сигналы(исходные данные и выходные сигналы других нейронов сети) через несколько входных сигналов каналов.
Каждый входной сигнал проходит через соединение, которое имеет определенный вес. Данный вес соответствует синаптической активности, как и «живой» нейрон. С каждым нейроном связано определенное (пороговое) значение и в результате получается величина активации нейрона (или постсинаптический потенциал нейрона – PSP)
Сигнал активации преобразуется с помощью функции передаточной функции и в результате получается выходной сигнал нейрона.Итак, для решения задачи с применением искусственной нейросети (ИНС) следует: спроектировать структуру сети, адекватную поставленной задаче. Выделяют два основных этапа при строении нейронной сети:выбор архитектуры нейронной сети (НС);
тренировка НС.При выборе типа нейросети необходимо выбрать следующие параметры:количество входов, передаточные функции;
соединения между собой;
входы и выходы сети.Выбор структуры нейросети происходит в соответствии с особенностями и сложностью сформулированной задачи. Также необходимо помнить, что:при увеличении количества слоев сети и нейронов в них, возможности сетей возрастают;
сложность алгоритмов функционирования сети так же способствуют усилению мощности нейросетей.

Проанализировав данные задачи, выберем нейросеть для распознавания изображений применимо к условиям задачи. На рисунке 1 представлено изображение, на основе которого будет описыван выбор НС. Сначала, на фотографию наложим систему координат с началом в нижнем углу. Затем наложим решетку состоящую из 6 фрагментов. Размерность изображения 800х600, а значит, размерность каждого отдельного фрагмента 400х200.

Рисунок 1 – Исходное изображение

Для распознавания данного изображения наиболее оптимальным будет использование многослойной сети, схема представлена на рисунке 2.

Рисунок 2 – Схема нейросети

Нейроны, объединенные в слои образуют многослойные сети. Каждый слой содержит определенное количество нейронов с одинаковыми входными сигналами. В зависимости от функций, которые должны выполнять нейроны в сети, можно выделить 3 основных типа нейронов [2]:входные (в данном случае, фрагменты 1 – 6);
промежуточные;
готовый результат.

Рисунок 3 – Тренировка

Определим границы у каждого фрагмента в отдельности (таблица 1).
Таблица 1 – граничные области фрагмента

Получим следующий вид нейронной сети (рисунок 4).

Рисунок 4 – Нейронная сеть

Для решения данной задачи решено было использовать:модель НС – многослойный персептрон;
число входов – 6;
число скрытых слоев 128;
число выходов – 1;
предусмотрена проверка полученных данных.Для тренировки данной нейросети было решено использовать алгоритм Хебба. Этот метод заключен в изменении весов по данному правилу:

где – выходное значение j-го нейрона слоя (n-1);
 – выходное значение i-го нейрона слоя n;
 – весовой коэффициент;
 – коэффициент скорости обучения.
Нужно учитывать, что под слоем n понимается произвольный слой НС.
Алгоритм данной нейросети выглядит так:Всем весовым коэффициентам присваиваются случайные значения;
На входы сети (рисунок 4) подается обработанное изображение (рисунок 3) и для каждого нейрона рассчитывается взвешенная сумма его входов, которая обрабатывается через активационную функцию и получаем выходное значение.
По формуле 1 производится изменение весовых коэффициентов
Алгоритм циклируется с шага 2, пока не будет получена точностью [3].В результате выполненной работы будет получен анализ всех фрагментов обработанного исходного изображения, представленного на рисунке 3. Была описана работа нейронной сети и приведен пример обработки изображений.

1. Jesse, Russell Искусственная нейронная сеть / Jesse Russell. – М.: VSD, 2012. – 10 c.
2. Барский, А.Б. Логические нейронные сети / А.Б. Барский. – М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013. – 70 c.
3. Бунаков, В. Е. Нейронная физика. Учебное пособие: моногр. / В.Е. Бунаков, Л.В. Краснов. – М.: Издательство Санкт-Петербургского университета, 2015. – 200 c.

Все статьи автора «Волокитина Татьяна Сергеевна»