📄Работа №179665
Тема: РАСПОЗНАВАНИЕ РУКОПИСНОГО ТЕКСТА С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Робототехника
Объем:
46 листов
Год:
2021
Просмотров:
56
4400
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1 Нейронные сети 6
1.1 Биологическая нейронная сеть 6
1.2 Искусственные нейронные сети 6
1.3 Виды нейронных сетей 8
1.3.1 Многослойные нейронные сети 8
1.3.2 Сверточные нейронные сети 9
1.3.3 Рекуррентные нейронные сети 10
1.4 Перцептрон 12
2 Методы оптимизации 14
2.1 Функция активации 14
2.1.1 ReLu 14
2.2.2 Softmax 16
2.2 Функция потерь 16
2.3 Алгоритмы оптимизации 17
3 Сверточные нейронные сети 21
3.1 Сверточный слой 22
3.2 Слой пула 24
3.3 Слой «исключения» 25
3.4 Выходной слой 26
4. Распознавание рукописных цифр 27
4.1 Keras 27
4.2 Написание многослойной нейронной сети 28
4.3 Написание сверточной нейронной сети 34
Заключение 39
Список использованных источников и литературы 40
Приложение А Программа многослойной нейронной сети 41
Приложение Б Программа сверточной нейронной сети 42
1 Нейронные сети 6
1.1 Биологическая нейронная сеть 6
1.2 Искусственные нейронные сети 6
1.3 Виды нейронных сетей 8
1.3.1 Многослойные нейронные сети 8
1.3.2 Сверточные нейронные сети 9
1.3.3 Рекуррентные нейронные сети 10
1.4 Перцептрон 12
2 Методы оптимизации 14
2.1 Функция активации 14
2.1.1 ReLu 14
2.2.2 Softmax 16
2.2 Функция потерь 16
2.3 Алгоритмы оптимизации 17
3 Сверточные нейронные сети 21
3.1 Сверточный слой 22
3.2 Слой пула 24
3.3 Слой «исключения» 25
3.4 Выходной слой 26
4. Распознавание рукописных цифр 27
4.1 Keras 27
4.2 Написание многослойной нейронной сети 28
4.3 Написание сверточной нейронной сети 34
Заключение 39
Список использованных источников и литературы 40
Приложение А Программа многослойной нейронной сети 41
Приложение Б Программа сверточной нейронной сети 42
📖 Введение
В настоящее время машинное обучение набирает все большую популярность. Технологии не стоят на месте. С каждым годом объем данных увеличивается, а вместе с ним и необходимость в автоматическом анализе этих данных, а также выявлении закономерностей и принятия решения без участия человека.
Активное развитие машинного обучения привело к распространению нейронных сетей. Они являются перспективной и быстроразвивающейся технологией, которая нашла применение в различных областях науки. С их помощью выполняют распознавание оптических или звуковых сигналов, создают самообучающиеся системы, автоматизируют процесс адаптивного управления, аппроксимации функционалов и т. д. В настоящее время они активно применяются для решения различных задач.
Актуальность данной работы заключается в том, что задача распознавания рукописного текста является одной из классических задач распознавания образов и имеет практическую ценность. В связи с этим целью исследования стало изучение и программирование нейронной сети для распознавания рукописного текста.
Методы исследования, применяемые в работе:
- Анализ литературы и информации из открытых источников,
- Математическое моделирование работы нейронной сети.
Теоретическая значимость исследования заключается в расширении научных знаний в процесс распознавания рукописного текста. Практическая значимость заключается в применении теоретических знаний для достижения лучшей точности распознавания рукописного текста.
Задачи, которые решаются в работе:
1. Изучение принципа работы нейронной сети и подходов к оптимизации обучения нейронной сети;
2. Программирование сверточной нейронной сети для
распознавания рукописных цифр. Анализ полученных результатов.
3. Программирование многослойной нейронной сети для распознавания рукописных цифр. Анализ полученных результатов.
Работа состоит из трех глав. Первая содержит общие сведения о нейронных сетях и их видах. Во второй дается обзор на методы оптимизации, применяемые в практической части. В третьей собрана изученная информация о сверточных нейронных сетях. И в четвертой дается описание практической работы.
Активное развитие машинного обучения привело к распространению нейронных сетей. Они являются перспективной и быстроразвивающейся технологией, которая нашла применение в различных областях науки. С их помощью выполняют распознавание оптических или звуковых сигналов, создают самообучающиеся системы, автоматизируют процесс адаптивного управления, аппроксимации функционалов и т. д. В настоящее время они активно применяются для решения различных задач.
Актуальность данной работы заключается в том, что задача распознавания рукописного текста является одной из классических задач распознавания образов и имеет практическую ценность. В связи с этим целью исследования стало изучение и программирование нейронной сети для распознавания рукописного текста.
Методы исследования, применяемые в работе:
- Анализ литературы и информации из открытых источников,
- Математическое моделирование работы нейронной сети.
Теоретическая значимость исследования заключается в расширении научных знаний в процесс распознавания рукописного текста. Практическая значимость заключается в применении теоретических знаний для достижения лучшей точности распознавания рукописного текста.
Задачи, которые решаются в работе:
1. Изучение принципа работы нейронной сети и подходов к оптимизации обучения нейронной сети;
2. Программирование сверточной нейронной сети для
распознавания рукописных цифр. Анализ полученных результатов.
3. Программирование многослойной нейронной сети для распознавания рукописных цифр. Анализ полученных результатов.
Работа состоит из трех глав. Первая содержит общие сведения о нейронных сетях и их видах. Во второй дается обзор на методы оптимизации, применяемые в практической части. В третьей собрана изученная информация о сверточных нейронных сетях. И в четвертой дается описание практической работы.
✅ Заключение
В данной работе были изучены разные виды нейронных сетей. В ходе изучения были выбраны многослойные и светочные нейронные сети, которые лучше подходят для решения поставленной задачи. Была изучена простейшая нейронная сеть, на принципе работы которой основаны более сложные нейронные сети. Ее изучение было важным для лучшего понимания работы нейронных сетей
В ходе изучения различных методов оптимизации я выбрала методы стохастического градиентного спуска и метод Адам. На практике метод Адам оказался лучше, поэтому для построения сверточной нейронной сети я выбрала этот метод.
С помощью библиотеки Keras были построены сети, рассматриваемые в работе. Обе сети показали точность выше 0.95, что является хорошим результатом.
В ходе изучения различных методов оптимизации я выбрала методы стохастического градиентного спуска и метод Адам. На практике метод Адам оказался лучше, поэтому для построения сверточной нейронной сети я выбрала этот метод.
С помощью библиотеки Keras были построены сети, рассматриваемые в работе. Обе сети показали точность выше 0.95, что является хорошим результатом.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.