- •Введение
- •1. Обзор основных подходов
- •1.1. Искусственные нейронные сети
- •1.2. Обучающееся векторное квантование
- •1.3. Метод опорных векторов
- •2.1. Формальная постановка задачи
- •2.3. Предварительная обработка изображения
- •2.4. Признаковое описание рукописного символа
- •2.5. Обучение регулярного многослойного персептрона
- •2.6. Применение решающего правила
- •3. Описание реализации программной системы
- •3.1. Структура программной системы
- •3.2. Описание основных классов
- •3.3. Организация пользовательского интерфейса
- •3.3.1. Вспомогательное приложение
- •3.3.2. Основное приложение
- •Заключение
- •Список литературы
- •А.1. Классы для поддержки работы с растровыми изображениями
параметров сети и вычислить значение интегральной ошибки обучения (2.5.3). Сохранить полученное значение в переменную GlobalError.
Шаг 8. Если выполнено условие GlobalError < MinGlobalError, то запоминаем новое наименьшее значение интегральной ошибки и сохраняем вектор значений настраиваемых параметров сети в переменную v.
Шаг 9. Если справедливо неравенство MinGlobalError <= Accuracy, то конец: требуемая точность обучения достигнута, процесс останавливается.
Шаг 10. Увеличить значение счётчика k на 1 и перейти на Шаг 1.
Шаг 11. Установить окончательные значения настраиваемых параметров персептрона, сохранённые в переменную v.
Конец алгоритма
2.6. Применение решающего правила
Так как в качестве вектора выходных сигналов для образа, соответствующего i - ому классу, был взят единичный вектор ei = (0, 0, ... , 0, 1, 0, ... , 0), величину близости между предъявленным и идеальным образами можно определить в виде следующего выражения:
di = |
yi −1 |
, i |
1, Q |
, |
(2.6.1) |
где Q – общее количество классов. |
|
||||
Тогда решающее правило можно сформулировать следующим образом: |
|||||
I * = arg min di , |
(2.6.2) |
||||
|
i=1, ... , Q |
|
|||
где I * – номер класса, к которому принято решение отнести входной образ. |
|||||
В случае, когда вектор выходных сигналов |
y принадлежит единичному M - мерному |
гиперкубу, его компоненты можно интерпретировать как вероятности принадлежности образа тому или иному классу и в качестве ответа выбирается тот класс, которому соответствует наибольшее значение вероятности:
I * = arg max yi . |
(2.6.3) |
i=1, ... , Q |
|
25