В данной работе предлагается структура и алгоритм классификации устройства распознавания зрительных образов. В структуре используется рецепторная матрица, нейронный слой и компьютер. В компьютере на этапе обучения создается база эталонных образов в виде числовых матриц.
Алгоритм распознавания использует «принцип близости» и находит минимальную норму разности числовых матриц предъявленного образа с числовыми матрицами эталонных образов. Найденная минимальная норма является ключом к классификации.
Современные системы автоматизации, связи, компьютерные сети все шире и глубже применяют различные типы систем распознавания. Это в первую очередь, промышленные работы, оснащенные различными сенсорными чувствительными устройствами, это компьютерные сканирующие устройства письменных текстов и звуковой информации, это системы распознавания отпечатков пальцев, распознавание по радужной оболочке глаза, распознавание залежей нефти и газа, и многие другие.
На сегодняшний день очень большое количество прикладных задач относится к задачам распознавания зрительных образов. При этом под образом понимается конкретное проявление изучаемого объекта.
Существуют различные подходы и алгоритмы к распознаванию зрительных образов: подход на основе вычисления оценок; подход на основе аналогии и другие.
На основе вышеуказанных алгоритмов разработаны различные программные пакеты: Fine Reader; From Reader; ABBY Fine Reader 4.0.
Выше указанные программные пакеты решают и эффективны только для ограниченных задач распознавания, таких как распознавание печатных текстов, заглавных символов.
В связи с вышесказанным разработка новых подходов и алгоритмов распознавания зрительных образов является – актуальной проблемой.
Суть ниже предлагаемого подхода к распознаванию заключается в использовании нейронного подхода построения распознающего устройства использующего процедуру обучения. Структура распознающего устройства приведена на рис. 1.
На рисунке обозначены: R-рецепторная матрица; N-нейронный слой; A,B, C - класс объектов.
В нейронном слое N количество нейронов равно количества ячеек рецепторной матрицы R, при этом каждая ячейка матрицы соединена только с одним нейроном. Здесь под нейроном понимается искусственный нейрон, т.е. это есть сумматор с порогом или пороговый элемент.
Процедура обучения.
Процедура обучения заключается в следующем. Последовательно на рецепторную матрицу подается определенное количество образов первого объекта «А». При предъявлении конкретного образа A-, активируются определенные ячейки рецепторной матрицы. Активацию ячеек матрицы, можно представить в виде конкретной числовой матрицы, при этом размер числовой матрицы определяется размером рецепторной матрицы. Имеем числовую
- Для более точной достоверной работы распознающего устройства необходимо увеличивать количество ячеек рецепторной матрицы, а также увеличивать базу Эталонных образов распознаваемых объектов.
ЛИТЕРАТУРА
- Хант Э. Искусственный интеллект. –М.: Мир, 1978.
- Саймон Хайкин. Нейронные сети: полный курс=Ñеига1 Networks: A Comprehensive Foundation. -2-е изд. –М.: «Вильямс», 2006.
- Журавлев Ю.И. Избранные научные труды. –Изд. Магистр, 2002, - С.420.
- Батырканов Ж.И. Системы искусственного интеллекта. –Б.: ИЦ «Текник», 2013.