ВЫДЕЛЕНИЕ ВЕРХНЕГО И НИЖНЕГО ПРЕДЕЛОВ ЭНЕРГИИ

58
ИЗВЕСТИЯ ВолгГТУ
УДК 004.491.22
М. Е. Бурлаков
ВЫДЕЛЕНИЕ ВЕРХНЕГО И НИЖНЕГО ПРЕДЕЛОВ ЭНЕРГИИ
ПРИ РАСПОЗНАВАНИИ ОБЪЕКТОВ НЕЙРОННОЙ СЕТЬЮ
С МЕХАНИЗМОМ РЕАКЦИИ НА ПОСЛЕДОВАТЕЛЬНОСТИ
Самарский государственный университет
knownwhat@gmail.com
В статье вводится критерий нахождения длины шаблона в зависимости от размерности анализируемого
объекта, дается оценка нахождения верхнего и нижнего пределов энергии нейрона при распознавании объектов нейронной сетью с механизмом реакции на последовательности.
Ключевые слова: искусственная нейронная сеть, верхний и нижний пределы энергии нейрона, механизм
реакции на последовательности.
M. E. Burlakov
FINDING UPPER AND LOWER LIMITS OF ENERGY IN OBJECT’S RECOGNITION
USING NEURAL NETWORK WITH THE SEQUENCE REACTION MECHANISM
Samara State University
In article highlight the question of finding the length of neuron template during object recognition. There is getting the location upper and lower limits of energy in object’s recognition using neural network with the sequence reaction mechanism.
Keywords: artificial neuron network, lower and upper limits of neuron energy, the mechanism of sequence reaction.
В настоящее время применение искусственных нейронных сетей в решении задач распознавания объектов находит все большее
отражение в различных областях науки [1].
В данной статье будет рассмотрена техника оптимизации спроектированной искусственной
нейронной сети (НС) с механизмом реакции на
последовательности. Основные понятия и определения, а также общий принцип работы НС
можно найти в работе автора [2].
Критерий нахождения длины шаблона
В ходе практической реализации автор
столкнулся с проблемой нахождения длины
шаблона нейрона, при которой конечный результат был бы наиболее оптимальным: как для
процесса конечного анализа объектов полученной после процесса обучения нейронной сетью,
так и по времени обучения и тренировки нейронной сети. Для определения критерия нахождения длины шаблона была выбрана задача
распознавания двумерных объектов. В качестве
объектов были выбраны изображения.
Пусть дано изображение на матрице размерности
. Представим изо,
бражение в виде бинарной матрицы
где 0 – наиболее светлые участки изображения,
а 1 – наиболее темные. Получим два бинарных
вектора одинаковой размерности
, путем
объединения по горизонтали и по вертикали
строк и столбцов соответственно. Пусть длина
выбираемого шаблона в нейроне равна p. Тогда
множество всех возможных бинарных шаблоэлементов (обознанов содержит в точности
чим как множество M). По логике, приведенной
выше, количество циклов (количество сравнений) должно равняться величине
.
С одной стороны, вероятность нахождения i-го
элемента из множества M бинарных векторов
размерности
равняется . С другой стороны, должно выполняться соотношение (1):
,
(1)
где
.
При p = 1 получим следующее соотношение:
(2)
при n > 1, m > 1. Таким образом, верхняя оценка должна отвечать соотношению (3):
.
(3)
Нижняя оценка (4):
.
(4)
Выделение верхнего и нижнего пределов
энергии нейрона. Распознавание объектов
Рассмотрим механизм выделения верхнего
и нижнего пределов при распознавании объектов нейронной сетью с механизмом реакции на
последовательности.
В качестве объектов для распознавания будет использоваться набор изображений, разме-
59
ИЗВЕСТИЯ ВолгГТУ
щенных на матрице размерности 32×32 пикселя
от 0 до 9 (см. рисунок).
ности p с полученным множеством U. В случае
, то увеличиваем размерность
если
шаблона нейрона на единицу (p+1) и переходим к Шагу 2, в противном случае переходим
к Шагу 4.
4. Передача шаблона в нейронную сеть с двумя нейронами с реакцией на последовательности.
5. Получение шаблонов и соответствующих
им значений энергий на каждом из двух нейронов. В случае достижения данным шаблоном
энергетического минимума (нуля энергии)
работа алгоритма для данного шаблона не
заканчивается. Работа алгоритма заканчивается
в момент, когда шаблон произведет в точности
(32×32 – p) сравнений. Энергия в систему
подается порционно и детерминировано по одной
единице энергии за каждый цикл сравнения [3].
Таким образом, получим набор подмножеств
размерности (32×32 – p) 
(32×32 – p), где s – выбранный символ, а v –
вектор значений энергии соответствующей пары
распознающих шаблонов.
Для случая распознавания объектов размерности 32×32 получим значения, приведенные
в таблице:
Изображения на матрице размерностью 32×32 пикселя
Используя соотношение (1), получим, что
размерность p сравниваемых шаблонов в нейронах должна принимать значение в диапазоне
,p
.
Опишем а л г о р и т м р а с п о з н а в а н и я
объектов:
1. Анализ изображения. На данном шаге изображения анализируются и переводятся из физической матрицы в математическую бинарную
матрицу A эквивалентной размерности, что и исходная матрица.
2. Получение бинарного вертикального и горизонтального векторов размерностей 32×32
путем объединения векторов по вертикали и по
горизонтали соответственно. Разбиение данных
векторов на множество подмножеств U размерности p для дальнейшего использования в циклах сравнений.
3. Сравнение множества М веса и размер-
Количество шаблонов при заданной размерности p
Символ
0
1
2
3
4
5
6
7
8
9
|M|, p=2
16
-
-
-
-
-
-
-
-
-
|M|, p=3
63
62
63
64
-
-
-
-
-
-
|M|, p=4
231
208
232
238
231
235
241
224
221
238
Так как при значении длины шаблона, равной 4, имеется полное покрытие множества
шаблонами, считаем данное значение минимальной длиной шаблона. Максимальная длина
шаблона равна 9. В имеющихся значениях будут получены не только оптимальные, но и дефектные шаблоны. Далее определим алгоритм
выделения оптимальных шаблонов, которые
наиболее адекватно описывают анализируемый
объект. Для этого немного модифицируем метод реакции на последовательности. Зададим
предел энергетического потолка равным плюс
бесконечности. Начальное значение энергии
каждого нейрона определим равным 1, в случае
если один из нейронов на одном такте находит
совпадение с подающей последовательностью
со своей внутренней последовательностью –
его энергия уменьшается на единицу, в против-
ном случае она не увеличивается. При следующем такте в систему из источника энергии подается 1 единица энергии и распределяется по
следующему принципу – если энергия первого
нейрона больше энергии второго, единица
энергии отдается второму нейрону. При равном
количестве энергии заряд произвольно отдается
одному из нейронов. В качестве оценки поведения нейронов будем считать те значения нейронов, которые не входят в максимумы, но и не
являются минимумами. В случае с максимумами это означает, что данные нейроны содержат
последовательности, которые либо слишком
редко, либо вообще не встречаются в данном
шаблоне, в случае минимума – что последовательности встречаются слишком часто.
Используя полученное соотношение, при анализе объектов с размерностью
60
ИЗВЕСТИЯ ВолгГТУ
была получена оценка верхней emax
и нижней emin границы энергетического предела
(4) и энергетического нуля e (5):
(4)
,
где
(5)
.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Девятых Д. В., Гергет О. М., Михаленко И. В. Применение искусственных нейронных сетей для прогнозиро-
вания развития перинатального поражения нервной системы. – Известия Волгоградского государственного технического университета : межвуз. сб. науч. ст. № 8(111) /
ВолгГТУ. – Волгоград : ИУНЛ ВолгГТУ, 2013. – C. 77.
2. Бурлаков, М. Е. Теоретическое обоснование реакционной модели нейрона на последовательности / М. Е. Бурлаков // Научная дискуссия: вопросы физики, математики:
мат-лы VI Междунар. конф. – М., 2013. – С. 61–68.
3. Бурлаков, М. Е. Динамическая система на нейронах
с реакцией на последовательности на примере распознавания изображений: демонстрация реализации / М. Е. Бурлаков // Перспективы развития информационных технологий: сборник материалов ХII Международной научнопрактической конференции / под общ. ред. С. С. Чернова. –
Новосибирск : СИБПРИНТ, 2013. – 215–219 с.
УДК 004.582
И. Ю. Королева, А. Д. Сорокина
ПРИМЕНЕНИЕ ФИЛЬТРОВ ПРИ РЕАЛИЗАЦИИ ЭКРАННОЙ ЛУПЫ
Волгоградский государственный технический университет
artmd64@rambler.ru, logovo90@mail.ru
В статье рассмотрены аспекты реализации экранной лупы в программном обеспечении для слабовидящих людей. Для повышения эффективности применения данного инструмента необходимо использовать
специальные фильтры. Авторами рассматриваются два фильтра: сглаживание изображения и преобразование его в черно-белую картинку.
Ключевые слова: экранная лупа, фильтры для экранной лупы, сглаживание изображения, биполярная
фильтрация, преобразование изображения в черно-белое.
I. Y. Koroleva, A. D. Sorokina
APPLICATION FOR IMPLEMENTATION OF FILTERS MAGNIFIER
Volgograd State Technical University
The article discusses aspects of the implementation magnifier software for visually impaired people. To improve
the efficiency of using this instrument is necessary to use special filters. The authors considered two filters smoothing image and convert it to black and white image.
Keywords: magnifier, magnifier filter, smoothing of the image, bipolar filtering, conversion of images to black
and white.
На рынке программного обеспечения предлагается множество программных разработок,
облегчающих восприятие информации людям
с ограниченными возможностями (слабовидящим, слабослышащим и т. д.). Каждая из них
обладает, в том числе, определенными недостатками. Например, программные приложения
для людей со слабым зрением обычно реализуют перевод печатного текста в речь. В то же
время необходимым инструментом для слабовидящих является и экранная лупа, которая чаще всего реализуется отдельным программным
приложением.
Таким образом, актуальна разработка программного продукта для слабовидящих людей,
включающего функции и экранной лупы, и речевого сопровождения процесса обработки тек-
стов, что позволит облегчить их работу за ЭВМ.
Такое программное приложение может использовать две технологии: TTS (перевод печатного текста в речь) и экранную лупу. Проектируемое приложение включает следующие
модули [3]:
– озвучивание печатного текста из различных текстовых редакторов;
– озвучивание нажатых клавиш на клавиатуре;
– озвучивание различных системных сообщений;
– озвучивание происходящего под курсором;
– экранная лупа.
Структура проектируемого ПО выглядит
следующим образом (рис. 1).