Нейросетевая система опознавания сигналов светофора.

Введение…………………………………………………………………………..3
Глава 1. Обзор классических методов в проблематике дисциплин машинного обучения и распознавания образов……………………………………………...5
1.1. Введение в машинное обучение…………………………………...5
1.2. Введение в теорию распознавания образов……………………....6
Глава 2. Искусственная нейронная сеть………………………………………...7
2.1. Архитектура искусственных нейронных сетей………………….11
2.2. Виды многослойных искусственных нейронных сетей………...14
2.3. Персептроны……………………………………………………….15
2.4. Свёрточная нейронная сеть……………………………………….16
2.5. Современная и глубокая нейронная сеть………………………...20
Глава 3. Функция активация……………………………………………………20
3.1. Пороговая функция………………………………………………...21
3.2. Линейная функция…………………………………………………21
3.3. Сигмоидальная функция ……………………………………….…22
3.4. Гиперболическая функция……………………………………...…23
3.5. ReLU (recified linear unit)……………………………………….…24
Глава 4. Обучение искусственных нейронных сетей………………………....26
4.1. Обучение с учителем………………………………………………28
4.2. Обучение без учителя……………………………………………...30
4.3. Метод обратного распространения ошибки…………………...…30
4.4. Генетические алгоритмы………………………………………..…32
Глава 5. Обзор программы опознавания сигналов светофора……………..…32
5.1. Интерфейс программы…………………………………………..…33
5.2. Обработка изображений………………………………………...…35
5.3. Выбор библиотеки НС…………………………………………..…36
5.4. Функция активации нейронов...…………………………………...37
5.5. Обучение……………………………………………………………37
5.6. Результаты……………………………………………………….…40
Глава 6. Экономическая часть……………………………………………….…40
6.1. Введение……………………………………………………………40
6.2. Затраты на оплаты труда………………………………………..…41
6.3. Материальные затраты………………………………………….…42
6.4. Затраты на электроэнергию…………………………………….…44
6.5. Затраты на услуги……………………………………………….…45
6.6. Объем окупаемости……………………………………………..…45
6.7. Выводы…………………………………………………………..…46
Заключение………………………………………………………………………47
Приложение……………………………………………………………………...48
Список литературы…………………………………………………………...…55

Весь текст будет доступен после покупки

Одними из важнейших областей исследований и разработок современной кибернетики являются области машинного обучения, распознавания образов. Ускоряющиеся темпы развития технологий информационного общества, развитие робототехники, развитие концепций «умный дом» , «умный город» и беспилотные автомобили развитие интернета вещей и систем искусственного интеллекта определяют этой области особое место в современном научном знании. Во многих прикладных задачах в практике современного программирования используются методы сбора данных, кластеризации и классификации, методы статистического вывода. В повседневную жизнь, как и в корпоративную, и в промышленную среды начинают внедрятся технологии, постепенно стирающие грань между реальным и виртуальным пространством, что требует нового качественного уровня повсеместно внедряемых технологий распознавания, чья область применения в последние годы выросла колоссально: считавшиеся сложнейшими ранее задачи распознавания сегодня круглосуточно решаются мобильными устройствами рядовых граждан.

Весь текст будет доступен после покупки

Глава 1. Обзор классических методов в проблематике дисциплин машинного обучения и распознавания образов
1.1. Введение в машинное обучение
Машинное обучение – это обширный подраздел теории искусственного интеллекта, строгая математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей.
Существует два типа машинного обучения: обучение по прецедентам (индуктивное обучение), основанное на эмпирических данных, и дедуктивное обучение, предполагающее формализацию знаний и формирование базы знаний. Дедуктивное обучение принято относить к
области экспертных систем, поэтому в теории и практике машинного обучения фактически рассматривается обучение по прецедентам.
Раздел машинного обучения возник в результате разделения науки о нейронных сетях в рамках науки об искусственном интеллекте на методы обучения сетей и виды топологий архитектуры сетей, вобрав в себя неко-торые другие области, такие как методы математической статистики и теорию дискретного анализа.
Этим обусловлена специфика рассматриваемых способов обучения в рамках дисциплины:
• Обучение с учителем – для каждого прецедента существует пара «ситуация, решение»
• Обучение без учителя – система группирует объекты в кластеры и понижает размерность входной информации, используя данные о попарном сходстве
• Обучение с подкреплением – для каждого прецедента существует пара «ситуация, реакция среды» (обучение с подкреплением можно считать частным случаем обучения с учителем, так и частным случаем обучения без учителя)

Весь текст будет доступен после покупки

1. Форсайт Д.А., Понс Ж. Компьютерное зрение. Современный подход. - М.: Вильямс, 2004. – 928 с.
2. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992.– 184 с.
3. Хайкин С. Нейронные сети: полный курс, 2-е издание. – М.: Вильямс, 2008. – 1103 с.
4. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. – М.: ДМК Пресс, 2015. – 400 с.
5. Brain.js [Электронный ресурс]. – Электрон. текстовые дан. – GitHub Inc, 2019 – https://github.com/BrainJS, свободный
6. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение погружение в мир нейронных сетей. – Сп-б.: Питер, 2019. – 480 с.
7. Нейросети для начинающих [Электронный ресурс]. – Электрон. текстовые дан. – Habr, 2018. – Режим доступа: https://habr.com/ru/post/312450, свободный.

Весь текст будет доступен после покупки