3ЛР / SII_L3
.docxМИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ
Ордена Трудового Красного Знамени федеральное государственное бюджетное образовательное учреждение высшего образования
Московский технический университет связи и информатики
Кафедра “сети и системы фиксированной связи”
Лабораторная работа № 3
по дисциплине
“Системы искусственного интеллекта”
на тему
“РАСПОЗНАНИЕ НАДПИСИ, СОДЕРЖАЩЕЙСЯ В ИЗОБРАЖЕНИИ, МЕТОДОМ RANDOM FOREST”
Выполнил: студент гр. БЗС2002
Протасова Т.Н.
Проверил: Матюнина Д.Д.
Москва 2023
Цель.
Освоение методики распознавания номеров автомобилей с использованием машинного обучения.
Работа программы.
>> CNR_train('C:\Users\dokto\Desktop\Train Images', false)
time on char 0 :: 2.07 (sec)
time on char 1 :: 1.27 (sec)
time on char 2 :: 1.28 (sec)
time on char 3 :: 1.03 (sec)
time on char 4 :: 1.06 (sec)
time on char 5 :: 1.27 (sec)
time on char 6 :: 1.13 (sec)
time on char 7 :: 1.15 (sec)
time on char 8 :: 0.89 (sec)
time on char 9 :: 0.97 (sec)
time on char A :: 1.14 (sec)
time on char B :: 1.01 (sec)
time on char C :: 1.00 (sec)
time on char E :: 0.93 (sec)
time on char H :: 0.92 (sec)
time on char K :: 0.80 (sec)
time on char M :: 0.81 (sec)
time on char O :: 0.73 (sec)
time on char P :: 0.88 (sec)
time on char T :: 0.67 (sec)
time on char X :: 0.68 (sec)
time on char Y :: 0.78 (sec)
total time 68.18
ans =
struct with fields:
nrnodes: 4401
ntree: 1000
xbestsplit: [4401×1000 double]
classwt: [22×1 double]
cutoff: [22×1 double]
treemap: [4401×2000 int32]
nodestatus: [4401×1000 int32]
nodeclass: [4401×1000 int32]
bestvar: [4401×1000 int32]
ndbigtree: [4401×1000 int32]
mtry: 15
orig_labels: [22×1 double]
new_labels: [1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22]
nclass: 22
outcl: [2200×1 int32]
counttr: [22×2200 int32]
proximity: []
localImp: 1
importance: [134×1 double]
importanceSD: 0
errtr: [1000×23 double]
inbag: [2200×1 int32]
votes: [2200×22 int32]
oob_times: [2200×1 double]
>> CarNumberRecognition2('C:\Users\ dokto \Desktop\Test Images\16.bmp', true)
C:\Users\dokto\Desktop\Test Images\16.bmp -> P890TC (origin. P890TC150)
ans =
'P890TC'
Вывод.
После проведения проверки мы обнаружили, что классификатор успешно распознал номер автомобиля. В результате он выдал следующий результат: "P890TC150", что соответствует верному ответу. Это свидетельствует о точной и надежной работе классификатора при определении номера автомобиля. Наша система демонстрирует высокую эффективность и способность правильно идентифицировать конкретные данные при проведении проверки.
Контрольные вопросы.
1. В чем заключается суть метода Random Forest?
Суть метода заключается в построении нескольких деревьев решений, называемых "случайными деревьями", на основе различных подмножеств обучающих данных. Каждое случайное дерево представляет собой независимый классификатор, который принимает решения на основе различных признаков.
2. Как осуществляется хранение символов в папке «Train Images»?
Для каждого символа предусмотрена отдельная папка, которая названа в соответствии с ним. Внутри каждой папки содержатся различные изображения этого символа.
3. Может ли у одного конкретного символа быть больше одного изображения для обучения?
Да, но при использовании слишком большого числа изображений можно переобучить классификатор, что является неэффективным.
4. В чем состоит принцип обучения алгоритма?
Чтобы обучить классификатор, ему предоставляются изображения каждого символа, сопоставленные с соответствующими символами (классификатор знает, какому символу соответствует каждое изображение). Затем формируется ансамбль деревьев. Во время тестирования на реальных данных определяются весовые коэффициенты для этих деревьев. После этого классификатор принимает решение в соответствии с полученными результатами и весами деревьев.
5. Является ли этот метод безошибочным? Почему?
Нет, не является. Классификатор может неправильно определить символ. Иногда он может даже его не увидеть.