ИСПОЛЬЗОВАНИЕ МОДИФИЦИРОВАННОЙ НЕЙРОСЕТИ С СЕЛЕКЦИЕЙ СУЩЕСТВЕННЫХ СВЯЗЕЙ ДЛЯ РАСПОЗНАВАНИЯ КОДОВ НА WEB-САЙТАХ Хакасский государственный университет им.

Презентация:



Advertisements
Похожие презентации
Гречанинова Наталья 11 гр. Научный руководитель: Энгель Е.А.
Advertisements

РАЗВИТИЕ АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ АНАЛИЗАТОРОВ ТИПА «ИСКУССТВЕННЫЙ НОС» Житков А.Н., Филаретов Г.Ф. Московский энергетический институт, Москва,
Методы распознавания зашумленных образов БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Кафедра математического.
Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б.
Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.
Использование нейросимулятора при определении внешнего вида ребенка по параметрам родителей.
1 Главным содержанием нейросетевой технологии является создание электронных и программных аналогов естественных нейронных сетей и использование этих аналогов.
Нейронные сети. Автор презентации: Фомичёв Роман Студент гр.Ф051 ФизФак КемГУ Живёт в Кировском Любит мороженое.
Модифицированное преобразование Радона в задачах выделения прямолинейных границ объектов на изображении Алпатов Б.А., Бабаян П.В., Шубин Н.Ю. Рязанский.
Декомпозиция сложных дискретных систем, формализованных в виде вероятностных МП-автоматов. квалификационная работа Выполнил: Шляпенко Д.А., гр. ИУ7-83.
«МЕТОДЫ РАСПОЗНАВАНИЯ НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ» Иванов Г.А., Ларионов А.А., Панин Д.В. ЗНТУ, ООО "МПА Групп"
Лекция по предмету интеллектуальные информационные системы Искусственный интеллект в обработке изображений и распознавании образов на них Автор: к.т.н.
Система управления РТК Основная задача системы управления роботом – автоматизация деятельности человека-оператора. Составные части: Система технического.
МИНИСТЕРСТВА ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ СУМСКОЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ КАФЕДРА КОМПЬЮТЕРНЫХ НАУК Комплексная магистерская работа: Разработка информационного.
Использование нейронных сетей для прогнозирования изменений на фондовом рынке Михаил Бондаренко 14 August
Методы обработки графических изображений. Распознавание человека по изображению лица Плюсы: - не требуется специальное или дорогостоящее оборудование;
Курсовая работа по дисциплине «Компьютерная графика» на тему: «Определение лиц. Определение крупности плана» Кондратенко Павел, С-54.
Декомпозиция сложных дискретных систем, формализованных в виде вероятностных МП-автоматов. квалификационная работа Выполнил: Шляпенко Д.А., гр. ИУ7-83.
Диаграммы компонентов применяют при проектировании физической структуры разрабатываемо программного обеспечения. Эти диаграммы показывают, как выглядит.
Основные этапы моделирования. Моделирование – исследование объектов путем построения и изучения их моделей. Моделирование – творческий процесс, и поэтому.
Транксрипт:

ИСПОЛЬЗОВАНИЕ МОДИФИЦИРОВАННОЙ НЕЙРОСЕТИ С СЕЛЕКЦИЕЙ СУЩЕСТВЕННЫХ СВЯЗЕЙ ДЛЯ РАСПОЗНАВАНИЯ КОДОВ НА WEB-САЙТАХ Хакасский государственный университет им. Н.Ф. Катанова г.Абакан Энгель Е.А., Береженко Д.Ю., Гречанинова Н.Ю., Острикова Т.С.,

Цель исследования: разработка эффективного механизма распознавания кодов на web-сайтах с использованием искусственных нейронных сетей. Задачи: составить предобработчик исходного изображения; применить сеть Кохонена для кластеризации изображения; разработать нейросетевой классификатор фрагментов изображения. реализовать программно модифицированную нейросеть с селекцией существенных связей для распознавания кодов на web-сайтах

Кластеризация изображения сетью Кохонена Сгенерированное монохромное изображение Выделение контура цифр по цветовым перепадам Обрезка областей без цифр Определение центра области цифр Кластеризация изображения Получение изображений отдельных цифр Исходное изображение Предобработка исходного цветного изображения Результирующее монохромное изображение

Классификация фрагментов изображения На основе полученных изображений отдельных цифр построено обучающее множество А, содержащее 120 примеров Структура модифицированной нейросети

Результаты работы модифицированной нейросети на тестовом множестве Количество правильно распознанных примеров из 100 – 76 Ошибка обобщения на первом ряду селекции допустимая – 0,4 абсолютная – 0,2328 Ошибка обобщения на выходе модифицированной нейросети допустимая – 0,04 абсолютная – 0,0156 Тестовое множество, содержащее 100 примеров

Классификация фрагментов изображения Синаптические карты весов 10-ти обученных нейросетей первого ряда модифицированной нейросети: Наложение на синаптические карты контура цифры 3: Наложение на синаптические карты контура цифры 8:

Выводы: Модифицированная нейросеть представляет собой систему из 10 фильтров, каждый из которых распознает соответствующую цифру. Реализованная программно модифицированная нейросеть позволяет эффективно распознавать изображение кодов доступа к выполнению некоторой операции на Web-сайтах.