ЗАДАНИЕ
на курсовое проектирование
Тема курсового проекта
Классификация римских цифр на основе нейронных сетей Исходные данные к проекту
1. NeuroShell2 русское издание
2. NeuroShell Classifier v2.0
3. NeuroPro
Содержание пояснительной записки
1. Назначение проекта
2. Требования
3. Выбор нейронной сети и нейропакета
4. Обучение
5. Блок-схема алгоритма обучения
6. Тестовый пример
Рекомендуемая литература
1. Стандарт предприятия СТП 1–У–НГТУ–98
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2001. – 382 с.:ил.
3. Электронный учебник по NeuroShell 2
4. Каллан Р. Основные концепции нейронных сетей
Содержание
1 Анализ исходных данных и разработка ТЗ
1.1 Основание и назначение разработки
1.2 Классификация решаемой задачи
1.3 Предварительный выбор класса нейронной сети
1.4 Предварительный выбор структуры нейронной сети
1.5 Выбор пакета нейронной сети
1.6 Минимальные требования к информационной и программной совместимости
1.7 Минимальные требования к составу и параметрам технических средств
2 Обучение нейронной сети
2.1 Формирование исходных данных
2.2 Окончательный выбор модели, структуры нейронной сети
2.3 Выбор параметров обучения
2.4 Оптимальные параметры обучения
2.5 Блок-схема алгоритма обучения
3 Анализ качества обучения
Вывод
Список использованных источников
1. Анализ исходных данных и разработка технического задания
1.1 Основание и назначение разработки
Данную разработку технического задания можно отнести к применению нейронных сетей, выполняется как курсовая работа в пределах дисциплины «Представление знаний в информационных системах». Целью данной разработки является освоение моделирования нейронных сетей. Назначением работы является необходимость решения задачи классификация римских цифр на основе нейронной сети.
1.2 Классификация решаемой задачи
Исходными данными в работе является набор изображений некоторого размера.
Рассмотрим классификацию решаемых задач искусственных нейронных сетей по книге [Терехов]. Вид исходных данных может быть представлен в виде:
А — распознавание и классификация:
входные данные необходимо отнести к какому-либо из известных классов при управляемом обучении (классификации); при обучении без управления (кластеризации) сеть проводит разделение входных образцов на группы самостоятельно, при этом все образцы одного кластера должны иметь что-то общее — они будут оцениваться, как подобные.
Исходными данными является вектор признаков, выходные данные - вектор, значения всех координат которого должны быть равными О, за исключением координаты, соответствующей выходному элементу, представляющему искомый класс(значение этой координаты должно быть равным 1).
К этому классу задач также относится категоризация (кластеризация). ............