Введение 5
1 Основные понятия искусственных интеллектуальных систем и нейронных
сетей 9
1.1 История развития нейронных сетей 9
1.2 Понятие «искусственная нейронная сеть» 11
1.2.1 Биологический нейрон и искусственный нейрон 11
1.3 Классификации искусственных интеллектуальных систем 15
2 Информационные модели нейронных сетей и распознавания эмоций 21
2.1 Однонаправленные многослойные сети 21
2.1.1 Обучение многослойного персептрона методом обратного
распространения ошибки 23
2.2 Рекуррентная нейронная сеть 25
2.3 Сети Кохонена 27
2.3.1 Алгоритм Кохонена 29
2.4 Радиальные нейронные сети 31
2.5 Сверточные нейронные сети 34
2.5.1 Сверточный слой 35
2.5.2 Cубдискретизирующий слой 35
3 Алгоритм распознавания деталей с применением сверточной нейронной
сети 37
3.1 Математическая модель сверточной нейронной сети 37
3.1.1 Математическая модель сверточного слоя 37
3.1.2 Математическая модель субдискретизирующего слоя 38
3.1.3 Математическая модель выходного слоя слоя 39
3.2 Формирование датасета 39
3.3 Применение библиотеки OpenCV 39
3.4 Обучение сверточной нейронной сети 39
3.5 Приложение по распознаванию на платформе iOS 39
ЗАКЛЮЧЕНИЕ 45
Аннотация к магистерской диссертации 47
Список использованных источников 48
Приложение
Купить

В мире искусственные интеллектуальные системы (ИИС) завоевали популярность, благодаря возможностям и эффективности использования при решении различных задач.
Существует множество задач, которые возможно решить с использованием интеллектуальных систем: робототехника, экономика и бизнес, геология, математика, биофизика, безопасность и охранные системы, медицина и многие другие[12, с 11]. Количество областей применения, говорит о том, что интеллектуальные системы - это уникальный набор для решения вопросов анализа и обработки большого объема данных, решения различных уровней сложности задач.
В настоящее время в системах искусственного интеллекта активно используются искусственные нейронные сети.
Нейронная сеть - это вычислительная структура, которая состоит из множества элементов одного типа. Элементы выполняют простые функции, а все процессы, происходящие в искусственной нейронной сети можно сравнивать с процессами, происходящими в нервной системе живых организмов.
Нейронные сети нелинейны по своей природе, в них отсутствует явная зависимость, позволяющая сразу использовать разработанную технологию (информационную модель нейросети). На протяжении многих лет линейное моделирование было основным методом моделирования, поскольку для него хорошо разработаны процедуры оптимизации.
Актуальность магистерской диссертации заключается в использовании нейронных сетей для решения плохо формализованных задач в интеллектуальном анализе данных. С ежедневным ростом объемов информации, а также расширение круга технически сложных задач, для принятия решений требуется систематизация существующих методов и разработки новых методик и алгоритмов решения. В магистерской диссертации рассматривается возможность применения нейронной сети при решении задачи распознавания промышленных деталей на производственном роботе KUKA.
Искусственные нейронные сети дают многообещающие перспективы в развитии, а программное обеспечение имеет огромное преимущество от их использования. Кроме того, каждая реализуемая задача имеет неограниченный и нестандартный набор методов решения. В магистерской диссертации рассматривается возможность применения нейронной сети при решении задачи распознавания.
Темой магистерской диссертации является реализация интеллектуальной системы распознавания деталей с применением нейронных сетей.
Основной целью работы является выбор информационной модели нейросети и реализация алгоритма распознавания. Нейронная сеть должна быть оптимальна по внутренней структуре, по способу управления информационными потоками между нейронами. Выбранная модель будет использоваться для решения практической задачи.
Основные задачи диссертационной работы:
1) изучение существующих видов искусственных интеллектуальных систем, а также методов их функционирования;
2) изучение основных видов информационных моделей искусственных нейронных сетей. Выбор оптимальной информационной модели нейронной сети для решения задачи распознавания промышленных деталей;
3) изучение существующих методов распознавания объектов и выделение универсальных методов среди них;
4) реализация и описание алгоритма распознавания промышленных деталей в режиме настоящего времени для интеллектуальной системы и решение практической задачи.
Объектом данного исследования являются подходы, методы распознавания промышленных деталей.
Предметом исследования являются информационные модели искусственных нейронных сетей, а также реализация и описание алгоритма распознавания деталей.
Научная новизна магистерской диссертации заключается в использовании технологий сверточной нейронной сети, а также реализация распознавания промышленных деталей с помощью видеокамеры на роботе KUKA.
Для реализации нейронной сети, которая будет распознавать детали необходимо выделить ключевые признаки детали, которые отличают конкретную деталь от многих других.
Сложность реализации заключается в обучении нейронной сети. Подбор начальных данных для задачи - это, прежде всего математическое и геометрическое описание детали.
Возрастание сложности решаемых научно-технических задач, автоматическая обработка и анализ визуальной информации становятся более актуальными вопросами. Уже сейчас существуют цифровые и интеллектуальные камеры, а также программное обеспечение, обрабатывающее изображения.
Современные технологии стремительно движутся к моменту, когда компьютеры станут самостоятельными системами, способными к самообучению и росту «личности», как это происходит с человеком с момента его рождения. Уже сейчас многие разработчики решают непростые задачи при помощи компьютерного зрения, применяя для работы системы разные методы, в том числе и нейронные сети.
Диссертационная работа состоит из введения, трех разделов, заключения, списка использованных источников.
В первом разделе рассматриваются теоретические материалы по нейронным сетям, а также по существующим видам искусственных интеллектуальных систем и методам распознавания объектов.
Во втором разделе представлено детальное описание и устройство информационных моделей нейросетей, их особенности, сравнительный анализ, выбор оптимальной модели для решения практической задачи. Также приводится анализ методов определения объектов на изображении, рассматривается набор логических правил распознавания объектов.
В третьем разделе представлен алгоритм распознавания деталей с применением нейронной сети.
Купить