Читайте также:
|
Результаты тестирования программы показаны в таблице 1.
Таблица 1 – Результаты тестирования программы
| Входной образ | Ожидаемый результат | Полученный результат |
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| Нет результата | |
| Нет результата | Нет результата |
| Нет результата |
В результате, количество неправильных результатов составляет 23%
Заключение
В данной работе, получение признаков входных векторов было реализовано именно из графических файлов. При это не переписывая кода программы, можно обучить персептрон, распознавать буквы, и вообще любые фигуры. Что касается персептрона в принципе, при обучении или распознавании на вход классу Perseptron можно подавать любые признаки Для этого нужно только переписать классы формирования признаков. Но данная реализация поставленной задачи, повторюсь, способна распознавать образы "достаточно" похожие на те, на которых обучали персептрон. Для более серьезной и глубокой проработки этой задачи, необходимо и более глубокое и детальное изучение того огромного опыта, накопленного человеком в области искусственного интеллекта.
СПИСОК ЛИТЕРАТУРЫ
1. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Пер. с англ. 240 с.
2. Саймон Хайкин Нейронные сети: полный курс Второе издание, 2006-1105с.
3. Rosenblatt F. 1962. Principles of Neurodinamics. New York: Spartan Books. (Русский перевод: Розенблатт Ф. Принципы нейродинамики. - М: Мир. - 1965.)
4. Minsky M. L, Papert S. 1969. Perseptrons. Cambridge, MA: MIT Press. (Русский перевод: Минский М. Л., Пейперт С. Персептроны. - М: Мир. - 1971.)
Дата добавления: 2015-11-30; просмотров: 40 | Нарушение авторских прав