- •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.
24. Метод уточнения контура
Для ряда задач возникает необходимость получения не контура, а остова – изображения, которое представляет собой тонкую линию шириной в 1 пиксель, проходящую по центру изображения объекта. Процесс получения остова из черно-белого изображения называется уточнением контура.
При формировании границы пиксели должны быть 4-хсвязные, т.е. иметь общую границу. Растровую линию составляют 4хсвязные и 8связные пиксели.
Процесс уточнения связан с удалением крайних пикселей на изображении. В результате этой операции из-за некачественного изображения могут возникать пустоты и бахрома. Эти элементы служат источником возникновения ложных линий остова. В процессе уточнения итерационно повторяют удаление бахромы (выступы) и заполнение пустот, чтобы получить четкий остов.
25. Методы распознавания изображений.
Выделяют:
-
По способу предварительного обработки изображения:
-
Интегральные методы, которые основаны на определении глобальных свойств объектов и использовании преобразования: Фурье, Уолша, Адамара. Эти преобразования применяются к изображениям как функции от 2х переменных, фильтрует изображение от помех и позволяет выделить интегральные признаки всего изображения.
-
Дифференциальные методы – определяют контуры. Инфа о контуре должна анализироваться с учетом следующих его источников:
-
Форма объекта.
-
Смещение объекта относительно наблюдателя.
-
Изменение условий освещенности
-
Изменение отражательной способности объекта (появление блика).
-
По характеру зависимости между классом и его описанием:
-
Детерминированные методы, где близость объекта к классу определяется точными мерами (Эвклидово расстояние, взвешенное расстояние, расстояние по Хэммингу).
-
Вероятностные методы. Вводятся вероятностные оценки для определения принадлежности образа к классу.
-
Нечеткие методы. Процедура оценки мер, использование теории нечетких множеств. Вероятностные и нечеткие методы позволяют снизить чувствительность к искажениям объектов и таким образом уменьшить ошибку распознования.
-
По специфике языка описания образа:
-
Признаков
-
Сравнение с эталоном
-
Структурные
-
Нейронные методы
-
Инвариантные
25. (Продолжение)
Признаковые методы для области выделяется набор признаков, конкретные значения которых опред принадлежностью образа к классу. Различают два подхода:
-
Геометрический. Объект отождествляется с точкой многомерности пространства признаков.
-
Логический. Стоится логическое выражение позволяющее регистрировать некоторые признаки на объекте.Недостаток: чувствительность к искажению образа. Для учета возможных искажений используется метод зондов, который позволяет за счет маркерной системы расширить диапазон возможных искажений образа. Данный метод используется при распознавании стилизованных рукописных символов (стилизованных по система маркеров).
Сравнение с эталоном – метод масок: изображение накладывается на маску и чем меньше различий тем выше вероятность принадлежности образа к классу маски:
-
Растровый метод. Маска строится в виде точек растра для всего образа.
-
Структурно-лингивстический. Маски накладываются на фрагменты изображения.
-
Методы резиновых эталонов. Маска может подгоняться под образ.
Структурные методы – позволяют представить целостный объект, как совокупность устойчивых связей, между элементами структуры объекта. Структурные элементы могут быть выделены различным образом в зависимости от специфики задач водятся отношения между структурными элементами.
Лингвистические методы – составляют подкласс структурных методов, позволяют описать образ с помощью формальных грамматик.
Инвариантные методы – основное назначение распознавать объекты по признакам, которые инварианты к определенным видам искажений (по преобразованию Кренстенсона). При распознавании выполняется наложение спектра анализируемого объекта на эталонные спектры объектов набора и вычисляется их корреляция. Инвариантен к повороту объекта относительно центра формы.
Квазиполярный метод – признак распознавания количество нулей и 1 на распознающем кольце. При распознавании происходит поворот на одну позицию, до совмещения максимальной корреляции.