Введение
Глава 1. Алгоритм решения задачи
1.1 Алгоритм решения
1.2 Многослойный персептрон
1.3 Алгоритм обратного распространения ошибки
1.4 Метод главных компонент и сингулярное разложение
1.5 Композиция классификаторов
Глава 2. Описание программного обеспечения
2.1 Описание архитектуры программного обеспечения ....
Глава 3 Обучение сети и подбор компонентов
3.1 Выбор условий остановки обучения
3.2 Выбор главных компонент
3.3 Подбор количества нейронов
Глава 4 Тестирование программы
4.1 Результаты, полученные на контрольном множестве ..
4.2 Вывод
Заключение
Список литературы
Приложение
В данной работе решается задача идентификации материалов по данным
их спектров. В качестве исследуемых образцов выбрана древесина, так как она
является сложным по составу материалом и, в случае успешного результата,
представленный в данной работе алгоритм можно применять к другим
материалам со сложным составом. Данные получены для трех различных
типов светового излучения.
Для решения этой задачи была использована композиция
классификаторов на основе нейронных сетей, устроенных по типу
многослойного персептрона (multilayer perceptron) [3], для предварительной
подготовки данных применялось сингулярное разложение (Singular Value
Decomposition, SVD) [4][5] и метод главных компонент (Principal Component
Analysis)[6].
Ранее применяемые методы спектрального анализа основывались на
сравнении. Полученные данные соотносились с эталонами из базы и
определялся наиболее близкий по спектру класс [2]. Так же в работе [1] был
разработан метод, учитывающий статистическую информацию об отдельных
породах, на основе чего строит, так называемые, «коридоры» c верхними и
нижними значениями границы расположения спектра. Так, для всех спектров
образцов одной породы строится «коридор», в границах которого они
находятся. Далее алгоритм для каждого нового образца ищет наиболее
вероятное местоположение из всех таких коридоров [1]. Однако, зачастую
спектры материалов одного и того же типа могут расходиться более, чем от
спектров других типов. То есть «коридор» в рамках одного типа не всегда
можно построить, так же они могут содержаться один в другом.
Так как необходимо сравнивать данные со всеми образцами из базы,
данные методы работают очень долго и не всегда удается получить
качественный результат на новых примерах.
В результате данной работы удалось создать новый эффективный метод
распознавания материала по данным его спектра. Его успешное тестирование
на спектрах древесины дает уверенность, что распространение данного
алгоритма на другие материалы так же приведет к хорошим результатам.
Основой данного вывода является сложность древесины как материала для
спектрального анализа, в виду того что большинство пород древесины
похожи.
Написано программное обеспечение, позволяющее распознавать
материалы. Программный продукт может послужить основой для
соответствующего оборудования. Так же продукт спроектирован таким
образом, что каждая его часть независима, и, минимальными правками, любой
модуль можно заметить в случае обнаружения более эффективного.
Данный алгоритм можно дополнить другими типами спектров, что
теоретически позволит увеличить его результативность [13].
