- •Понятие, история развития теории нейронных сетей.
- •2. Основные свойства мозга, которые моделируются.
- •3. Основные области применения нейронных сетей.
- •4. Составляющие модели нейронной сети.
- •5. Понятие нейрона
- •6. Виды искусственных нейронов
- •7. Виды и назначение функции активации
- •8. Виды архитектуры нейронной сети.
- •9. Основные модели динамических нейронных сетей.
- •10. Парадигмы обучения нейронных сетей.
- •11. Параметры оптимизации системы, обучаемой по примерам.
- •12. Правила обучения.
- •13. Алгоритм обучения персептрона Розенблата.
- •14. Оценки качества нейронной сети.
- •15. Алгоритм обратного распространения ошибки
- •16. Способы обеспечения и ускорения сходимости
- •17. Сеть встречного распространения
- •18. Модель зрительного восприятия.
- •19. Виды сегментации изображения.
- •20. Виды преобразований изображения между классами
- •21. Особенности зрительного восприятия человека.
- •22. Методы пороговой обработки изображений.
- •23. Методы выделения контуров на изображении.
- •24. Метод уточнения контура
- •25. Методы распознавания изображений.
- •26. Основные проблемы теории искусственного интеллекта
- •27. Направления исследований в области систем искусственного интеллекта.
- •28. Данные и знания. Способ определения понятий.
- •29. Особенности знаний
- •30. Семантические сети.
- •31. Типы объектов и виды отношений в семантической сети.
- •32. Фреймовая модель.
- •33. Сравнительная харак-ка систем предста-ия знаний на основе сетевых моделей.
- •34. Продукционная система.
- •35. Логическая модель представления знаний.
- •36. Сравнительная характеристика систем представления знаний на основе продукций и логической модели.
- •37. Метод резолюций.
- •38. Виды неопределенности в задачах принятия решений
- •39. Понятие лингвистической переменной и основные операции теории нечетких множеств.
- •40. Характеристики речевых сигналов
- •41. Методы обработки речевого сигнала
- •42. Распознавание речевых сигналов.
- •Вопросы
- •Понятие, история развития теории нейронных сетей.
- •Основные области применения нейронных сетей.
18. Модель зрительного восприятия.
Входной поток визуальных данных ограничен в силу след причин:
-
конечное число чувствительных элементов.
-
Ограниченная разрешающая способность элемента.
Сущ след проблемы моделирования:
-
из-за невозможности построить прямые аналогии между компьютерной обработкой изображения и обработкой человеком переходят от имитационного моделирования к функциональному, т.е. моделируют реакции систем, а не ее структуру.
-
Что Сущ связь зрительных и мыслительных процессов, поэтому интеллект система должна использовать сист представления знаний, позволяющую обучаться и выполнять осн функции: ориентация, управления и понимание.
Процесс понимания связан с установлением соответствия между элементами структуры изображения, предоставлений памяти и фактами базы знаний.
19. Виды сегментации изображения.
Сегментация – это выделение на изображении областей, поддающихся единому описанию в выбранном пространстве признаков. По возрастанию степени сложности различают яркостную сегментацию, контурную сегментацию, текстурную сегментацию и семантическую (смысловую) сегментацию.
Для сегментации по яркости используется метод пороговой обработки:
где f(x,y) – функция яркости; S(x,y) – сегментированное изображение; p0, …, pk-1 – упорядоченный по величине набор пороговых значений; S0-Sk - классы яркости изображения.
Для изображения пороги выбираются по гистограмме яркости. Если выбирается на гистограмме один порог p, то каждый пиксель изображения меньше порога закрашивается черным, а больше порога – белым цветом. В результате получается бинарное изображение.
Гистограмма яркости может использоваться для выделения на изображении объектов с определенными признаками. Также при пропадании некоторых уровней яркости на изображении (процедура выравнивания гистограммы).
Каждый небольшой участок гистограммы отображается на больший диапазон яркости. Получаем для близких по яркости образов более контрастную окраску.
При контурной сегментации необходимо на изображении выделить границу перепада яркости и разделить полученный контур на участки. Для разделения на участки необходимо выделить особые точки контура (кольцевые точки, точки перегиба, точки ветвления), которые разделяют контур на примитивные элементы. Замкнутый контур получается в результате сегментации по яркости.
Для текстурной сегментации необходимо выделить области с одинаковыми текстурными элементами, которые называются texel. Текстура хар-ся регулярностью распределения яркости некоторой окрестности.
Метод сегментирования текстуры основан на анализе матрицы совместной встречаемости полутонов. Рассматривается окрестность элементов и берется центр, анализируются пары пикселей в разных направлениях. Рассчитывается частота, с которой пары точек с яркостями i и j встречаются на расстоянии r в направлении n. На основе этих частот строится матрица. На основе анализа матрицы выполняется сегментация изображения.
20. Виды преобразований изображения между классами
В зависимости от значений функции выделяют 4 класса изображений: ▪ полутоновые и цветные; ▪ бинарные (черно-белые); ▪ кривые и прямые линии; ▪точки и многоугольники;
Для получения изображения второго класса из первого используется сегментация. Для перевода изображения из класса 2 в 1 используется сглаживание. Для перевода изображения из класса 2 в 3 используется отслеживание и прореживание. Для перевода изображения из класса 3 во 2 используется заполнение контура и расширение контура. Для перевода изображения из класса 3 в 4 используется сегментация кривых. Для перевода изображения из класса 4 в 3 используется интерполирование и аппроксимация.
Бинарное изображение получается в процессе сегментации с одним порогом.
Операция отслеживания контура отображает заданную область в замкнутую кривую.
Задача компьютерной графики – создание реалистичного изображения по набору точек в пространстве.
Интерполирование – это проведение кривой по множеству точек. Аппроксимация – проведение кривых вблизи множества точек. Преобразование, переводящее изображение к его описанию, относится к области распознавания образа, а обратное преобразование относится к области компьютерной графики.