УДК 502(06) Охрана окружающей среды и рациональное природопользование В.Т. САМОСАДНЫЙ, С.В. КОЛЕСНИКОВ, Д.В. НОВИКОВ, Ю.Ю. ГНЕЗДИЛОВ Московский инженерно-физический институт (государственный университет) РАЗРАБОТКА МЕТОДИК РАСПОЗНАВАНИЯ ОБРАЗОВ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ В данной статье рассмотрено применение нейронных сетей, для решения задач связанных с совмещением низко контрастных изображений, и поиске дефектов при распознавании образов. Распознавание образов, представляет собой трудоемкий процесс, особенно при совмещении низко контрастных изображений, и поиске дефектов. Для решения этих задачи необходимы интеллектуальные системы распознавания изображений, одной из таких систем является нейронная сеть, обладающая возможностями [1]: способность к адаптивному обучению и самоорганизации при построении модели в условиях неполных и искаженных данных; способность изменять и оптимизировать структуру модели в соответствии с изменением внешних условий; возможность получения удовлетворительного решения даже при отсутствии адекватной модели; возможность комплексной обработки очень больших объемов данных; возможность построения и оценки неоднозначных решений. Тесная интеграция нейронных сетей с экспертными системами; возможность извлечения из данных явных зависимостей и правил, генерация и оценка гипотез; возможность представления результатов обучения нейронной сети в виде, пригодном для интерпретации человеком. На практике для того, чтобы применение нейронной сети было оправдано, необходимо, чтобы задача обладала следующими признаками [2]: отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров; проблема характеризуется большими объемами входной информации; данные неполны или избыточны, зашумлены, частично противоречивы. ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 5 238 УДК 502(06) Охрана окружающей среды и рациональное природопользование В данной области нейронные сети, наряду с методами нечеткой логики, находят наиболее широкое применение. Такие методы оказались тем адекватным языком, на котором можно описать правила классификации, не прибегая к точным математическим значениям (используя понятные человеку термины типа «небольшой», «значительный» и т.д.). И, наоборот, извлекать из обученных нейронных сетей правила классификации по исходным данным, представляя их на обычном языке. В отличие от традиционных статистических методов, основанных на вычислениях в рамках той или иной математической формализации, классификаторы, основанные на нейронных сетях, используют адаптацию в процессе обучения, не требующую предварительного обоснования модели [3]. В то же время доказано, что результаты классификации и в том и в другом случае могут совпадать, т.е. нейронная сеть способна сама построить соответствующую математическую формализацию. Методы распознавания образов с использованием нейронных сетей могут применяться не только для решения традиционных задач. Они могут учитывать пространственные характеристики, и решать, такие задачи, как геометризация трехмерных объектов на основе экспериментальных данных [4]. При этом модель представляется не в виде четких границ, а скорее в виде трехмерной функции «уверенности» в наличии объекта в каждой точке. Таким образом, например, при геометризации дефектов материала, задавая разные пороги «уверенности», можно строить оптимистические, реалистические и пессимистические прогнозы. Важной особенностью нейронных сетей при распознавании образов является совместное использование всей числовой, качественной и косвенной информации. Список литературы 1. Анил К. Джей Введение в искусственные нейронные сети // Открытые системы №04/97. 2. Джеффри Е. Хинтон. Как обучаются нейронные сети // В мире науки. 1992. № 11, 12. C. 103-107. 3. Иванченко А.Г. Персептрон – системы распознавания образов. К.: Наукова думка, 1972. 4. Короткий С. Нейронные сети: алгоритм обратного распространения. ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 5 239