Распознавание образов

Март 15, 2021

Главная
Информатика
Распознавание образов

Содержание

2. Техническое задание Разработать проект, включающий в себя: Распознавание поданных образов Распознавание искаженных образов
3. Используемые фреймворки и библиотеки numpy http://www.numpy.org functools https://docs.python.org/2/library/functools.html os https://docs.python.org/3/library/os.html Pillow https://pillow.readthedocs.io/en/5.3.x
4. Теория
5. Теория Нейронная сети Хопфилда на примере задачи распознавания образов Рекуррентная нейронная сеть Хопфилда является автоассоциативной памятью
6. Теория
7. Рассмотрим пример
8. Собственно пример Нарисуем входные матрицы-«числа» Запишем их в виде векторов
9. Пример В соответствии с формулой Рассчитаем матрицу весов: ’ – операция обнуления главной диагонали
10. Итог Поочередно подадим на вход все вектора: Убеждаемся что НС распознает знакомые ей образы Подадим на
11. Создадим свою Нейросеть
12. Входные данные
13. x[ 1 ] = [-1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.
14. Структура проекта
15. Код программы Go! Go! Go! Go! Go!
16. Вывод на экран Home
17. Код программы
18. Код программы
19. Вывод на экран Home
20. Код программы
21. Вывод на экран Home
22. Вывод на экран Home
23. Код программы
24. Вывод на экран Home
25. Библиотека Pillow
26. Код программы
27. Результаты выполнения Потому что 18х14 px ¯\_(ツ)_/¯
28. Код и презентация доступны по ссылке: https://github.com/SITIS-project/24
30. Скачать презентацию

Техническое задание
Разработать проект, включающий в себя:
Распознавание поданных образов
Распознавание искаженных образов

Используемые фреймворки и библиотеки
numpy http://www.numpy.org
functools https://docs.python.org/2/library/functools.html
os https://docs.python.org/3/library/os.html
Pillow https://pillow.readthedocs.io/en/5.3.x

Теория

Теория
Нейронная сети Хопфилда на примере задачи распознавания образов
Рекуррентная нейронная сеть Хопфилда является

автоассоциативной памятью

Теория

Рассмотрим пример

Собственно пример
Нарисуем входные матрицы-«числа»
Запишем их в виде векторов

Пример
В соответствии с формулой
Рассчитаем матрицу весов:
’ – операция обнуления главной диагонали

Итог
Поочередно подадим на вход все вектора:
Убеждаемся что НС распознает знакомые ей образы
Подадим

на вход искаженный образ «1»

НС верно определила исходный образ

Создадим свою Нейросеть

Входные данные

x[ 1 ] = [-1. -1. -1. -1. -1. -1. -1. -1.

-1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]
x[ 2 ] = [-1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. -1. 1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. 1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. 1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. 1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]
x[ 3 ] = [-1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1.-1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. 1. 1. 1. 1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1. -1.]

Входные данные