- •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.
21. Особенности зрительного восприятия человека.
При разработке интеллектуальных систем зрительного восприятия необходимо учитывать особенности восприятия человека:
-
проблемная ориентация зрения. Зрительная система постоянно подстраивается под контекст наблюдений. В результате, обладает меньшим числом реакций, чем она потенциально допускает. Подстройка на контекст может происходить по информации изнутри, т.е. определяется решаемой задачей и из вне, т.е. внешней сценой (Илюзия).
-
Глобальность и локальность зрения. В настоящее время рассматривается гипотеза по переходу от глобального восприятия к локальному, т.е. происходит как бы проявление изображения во времени. Исследования доказали, что человек сначала воспринимает инф-ю на низких частотах, соответствующие крупным деталям изображения, а затем на высоких, соответствующих мелким деталям и линиям.
-
Множественность форм видения. Восприятия человек не чувствительно к размеру, освещенности, контрастности и искажениям формы.
-
Человек узнает изображение по инвариантным характеристикам, т.е. по набору признаков, которые не меняются при данном искажении.
-
Человек компенсирует искажение изображения путем сопоставления в памяти с эталонным изображением.
Меж полуторная асимметрия восприятия. Правое полушарие связано с пространственно-образное или предметным мышлением, т.е. выработкой понятий на основе абстрактных признаков (категорий). Левое полушарие вырабатывает понятие на основе зрительных образов.
Получение и использование знаний. Для восприятия изобр., необ первоначальное наполнение БЗ модели мира, а затем формирование процедуры накопления образных и вербальных знаний.
22. Методы пороговой обработки изображений.
Пороговая обработка позволяет устранить некоторые уровни яркости.
Различают обработку с постоянным порогом. Для нахождения постоянного порога используется гистограмма яркости.
Из-за шума впадина между двумя модами размыта, что усложняет выбор порогового значения. В зависимости от порога могут быть утеряны информативные признаки изображения.
При пропадании уровня яркости на изображении применяют выравнивание гистограммы.
Диапазон значений яркости на исходной гистограмме отображается на более широкий диапазон при преобразовании.
В результате границы между объектами близкой яркости становятся более четкими.
Обработка с переменным порогом (локальным порогом). Для каждого окна строится гистограмма яркости и выбирается порог на изображении. Порог выбирается по элементам окна.
23. Методы выделения контуров на изображении.
Наличие контура для функции яркости означает перепад функции яркости. Для выделения перепада функции яркости исп-т дифференцирование. Для аппроксимации (приближения) производной функции яркости на дискретной решетке используются конечные разности:
f”(x,y)=
После дифференцирования на изображении остаются только контуры области. Поскольку при анализе функций яркости используется градиент, то методы называют дифференциальными.
Для выделения границ используются различные операторы:
1. оператор Роберса. Представляет собой окно с весовыми коэффициентами, которые накладываются на изображение и обработка происходит по строке, потом по новой строке (метод скользящего окна). Для повышения помехоустойчивости операторов увеличивают размер окна и применяют различные наборы весовых коэффициентов.
2. Оператор Превитта. Выполняет дифференцирование функции по определенному направлению. Для выделения границ во всех направлениях коэффициенты матрицы циклически сдвигаются на 45º.
3. Оператор Собеля. Использует усиление дифференцирования для ряда задач, когда необходимо усилить выделение перехода яркости.
4. Оператор Лапласа. Используется для аппроксимации второй функции яркости. Позволяет выделять не только границы, но и тонкие линии, концы линий.