2. Порядок виконання лабораторної роботи Завдання для варіантів V 1...V 100

1. Згідно з номером варіанта (V) створити 4 початкові чорно-білі /бітові/ зображення (еталони) друкованих символів (табл. 2.1) розміром 16*16 пікселів (зображення зберегти у файлах формату *.bmp). Якщо номер варіанта , то шрифт символів звичайний; якщо, то шрифт курсивний; якщо, то шрифт напівжирний; якщо, то шрифт напівжирний курсивний. Назви файлів початкових зображень вибрати відповідно до назви символів (наприклад, файлА1.bmp для символу „А”).

Для кожного початкового зображення створити наступні зображення розміром 16*16 пікселів (рис. 2.1):

• зміщене / Shift / (назва файлу, наприклад, А1_S1.bmp);

• повернуте / Rotate / (назва файлу, наприклад, А1_R1.bmp);

• пошкоджене / Damage / (назва файлу, наприклад А1_D1.bmp);

• масштабоване /sCale / (назва файлу, наприклад А1_С1.bmp).

а  бвг 

Рис. 2.1. Зображення символу „А”: а– початкове; б – зміщене;

в – повернуте; г – пошкоджене

Зміни зображень символів можна виконати за допомогою, наприклад, програм Paint та Adobe Photoshop.

2. Створити навчальну вибірку нейромережі – отримані 20 зображень записати у папку „Neuro_Data\Neuro_Train”, яка розміщена у папці головної програми (рис. 2.2).

Рис. 2.2. Фрагмент навчальної (train) вибірки ШНМ

Перелік зображень навчальної вибірки записати у файл „File_Name_tx1.txt” (рис. 2.3 а). У файл назв класів “Class_Name_ty1.txt” (рис. 2.3 б) записати назви символів згідно варіанту, при цьому назви класів пронумерувати (починаючи з 1 із кроком 1). У файлі навчальної вибірки (рис. 2.3 а) перед назвою кожного зображення записати номер відповідного класу (рис. 2.3 б). У вищеописаних файлах в кожному рядку номер і назва повинні розділятися одним пробілом.

а)б)

Рис. 2.3. Структура файлу навчальної вибірки (а) та файлу назв класів (б)

3. Створити тестову вибірку нейромережі з 16-ти зображень. Для цього на основі кожного початкового зображення потрібно створити 4 змінених зображення (аналогічно як для навчальної вибірки, але величина трансформації не повинна бути не більшою, ніж для відповідного зображення навчальної вибірки). Отримані 16 змінених зображень записати у папку „Neuro_Data\Neuro_Recogn”, яка розміщена у папці головної програми (рис. 2.4).

Рис. 2.4. Фрагмент тестової вибірки ШНМ

4. Виконати навчання ШНМ за допомогою програми „NeuroNet_Image_12” (рис. 2.5). Для цього потрібно спочатку встановити параметри навчання нейронної мережі (рис. 2.6). Навчання провести для таких значень допустимої похибки навчання mse_Min: 10^-2, 10^-3, 10^-4 (всі інші параметри – за замовчуванням); для кожного випадку записати час навчання мережі та зберегти матриці ваг W у відповідних файлах.

5. Виконати розпізнавання 16-ти зображень створених символів з папки „Neuro_Data\Neuro_Recogn” за допомогою ШНМ, використовуючи матриці ваг W, отримані для різних значень допустимої похибки. Для кожного зображення записати отриманий вихідний вектор Y (рис. 2.7) та результат розпізнавання (оформити у вигляді таблиці звіту). На основі отриманих даних зробити висновки про ефективність розпізнавання. Які зображення розпізнаються краще?

6. Провести навчання ШНМ при зміні кількості нейронів у прихованих шарах (рис. 2.6) на величину -50 % та +50 %. Для парних варіантів змінювати кількість нейронів у шарі 1 (Q_V1), а для непарних – у шарі 2 (Q_V2). Всі значення часу навчання оформити у вигляді таблиці звіту. На основі отриманих даних зробити висновки про ефективність навчання.

7. Виконати навчання ШНМ при ввімкнених прапорцях візуалізації (рис. 2.6) та в покроковому режимі. Зробити 3 екранні форми для різних кроків та пояснити їх (додати до звіту).

Таблиця 2.1

Символи для варіантів V

(V₁= V; якщо V  > 30, то V₁ = V  - 30)

V1	Символ					V1	Символ
	1	2	3	4			1	2	3	4
1	g	е	g	е		16	v	с	v	с
2	h	є	h	є		17	w	т	w	т
3	i	ж	i	ж		18	x	у	x	у
4	j	з	j	з		19	y	ф	y	ф
5	k	и	k	и		20	z	х	z	х
6	l	і	l	і		21	ы	ц	э	ц
7	m	ї	m	ї		22	э	ч	Ы	ч
8	n	й	n	й		23	1	ш	6	ш
9	o	к	o	к		24	2	щ	7	щ
10	p	л	p	л		25	3	ю	8	ю
11	q	м	q	м		26	4	я	9	я
12	r	н	r	н		27	5	ь	0	ь
13	s	о	s	о		28	d	б	d	б
14	t	п	t	п		29	e	г	e	г
15	u	р	u	р		30	f	д	f	д

8. Для одного з випадків навчання записати параметри різниці век­торів D (рис. 2.9) для шару 2 на початку навчання та після його завер­шення, провести аналіз їх зміни та зробити відповідні екранні форми.

9. Додаткове завдання. Розглянути будову і функціонування програми „NeuroNet_Image_12” на рівні програмного коду. Створити спрощену схему алгоритму програми (оператори візуалізації та роботи з файлами не враховувати).