CC BY
74
Актуальные проблемы авиации и космонавтики. Информационные технологии
сайт клиента. Содержаться данные идентификационного номера сайта и type, содержащие такие языки как: C#, Java, С++, JavaScript, ActionScript, PHP
- Codes - таблица кодов для вставки на клиентский сайт. Содержит описание кода и идентификационный номер языка программирования из базы Site-Language
- Category - таблица, для хранения каталога сайтов клиентов.
Представленные модели явились основой для разработки информационной системы мониторинга активности посетителей сайта.
© Иванова Т. С., 2012
УДК 004.032.26
Ю. А. Истомина Научный руководитель - В. В. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
АВТОМАТИЗАЦИЯ ПРОЦЕССА МОДЕЛИРОВАНИЯ НЕЙРОННЫХ СЕТЕЙ
Раскрывается необходимость автоматизации процесса проектирования искусственных нейронных сетей. Рассматривается практическая реализация программной системы автоматизации процесса нейросетевого моделирования.
Многие прикладные задачи эффективно решаются с помощью искусственных нейронных сетей (ИНС), при этом в процессе моделирования специалист должен выбрать тип нейронной сети, задать ее архитектуру, подготовить обучающее множество, и, используя определенный алгоритм, обучить нейронную сеть. Процесс решения вышеперечисленных задач занимает много времени, кроме того, является сложным для понимания. Основная проблема использования нейронных сетей заключается в том, что успешному их применению на практике всегда предшествует трудоемкий процесс изучения теоретических основ нейро-сетевого моделирования. Таким образом, задача автоматизации процесса построения искусственных нейронных сетей является, несомненно, актуальной.
Можно выделить следующие основные подходы к решению указанной задачи:
1. Использовать готовую программную систему моделирования и обучения нейронных сетей.
2. Создать собственную программу с помощью имеющихся библиотек классов и методов;
3. Спроектировать библиотеку классов и реализовать собственный программный продукт.
Оценивая перечисленные подходы, следует отметить, что готовые программные продукты в большинстве своем не соответствуют одновременно всем требованиям, которые обычно выдвигаются прикладными пользователями систем подобного рода [1]. Использование же существующих библиотек классов и методов нейросетевого моделирования требует наличия у проектировщика ИНС устойчивых навыков программирования, однако в данном случае все механизмы обучения сети оказываются скрыты от пользователя, хотя проблема выбора ее эффективной архитектуры обычно не снимается. Создание собственной программной системы - это более сложный и требующий высокой квалификации разработчика способ, исходя из чего, существует вероятность наличия не-выявленных в ходе разработки ошибок и необработанных исключений. Тем не менее, применение такого подхода позволяет учесть и программно реализовать весь набор требований предметной области.
Поэтому для решения задачи автоматизации моделирования нейронных сетей был выбран последний способ. Реализация данного способа помогает изучить и понять алгоритмы обучения нейронных сетей, позволяет осознать потребности пользователя.
Главное окно системы автоматизации нейросетевого моделирования
Для устранения недостатков выбранного способа автоматизации необходимо выдвинуть несколько обязательных требований к системе, а именно:
1. Разбить систему на составные части (модули):
a) Модуль управления данными, обеспечивает сохранение, загрузку и обработку обучающего множества.
b) Модуль моделирования нейронных сетей, предоставляет пользователю возможность создавать сети с заданными свойствами.
c) Модуль обучения нейронных сетей, реализует алгоритм обучения и позволяет задавать параметры обучения.
ф Модуль тестирования нейронных сетей, позволяет проверить работу построенной нейросетевой модели.
Секция «Информационнее системы и технологии»
2. Обеспечить пользователю возможность просмотра результатов работы системы (как окончательных, так и промежуточных), а также возможность визуализации нейронной сети.
3. Разработать справочную систему и обеспечить модули справочной информацией.
4. Провести работу по всестороннему тестированию программы.
На текущем этапе исследований разработана библиотека классов и компонентов, а также пользовательское приложение, позволяющее обучать нейронные сети с послойной архитектурой и проводить тестирование созданной сети. Вид главного окна разработанной программной системы показан на рисунке.
Разработанный программный продукт был успешно протестирован путем решения задач аппроксимации ряда функций одной и нескольких переменных, а
также апробирован на практической задаче моделирования вибрационных характеристик турбины.
Полученные результаты позволяют сделать заключение о полной работоспособности данного продукта, что позволяет его рекомендовать к практическому использованию широким кругом прикладных специалистов с целью автоматизации сложного и плохо формализуемого процесса синтеза искусственных нейронных сетей.
Библиографическая ссылка
1. Истомина Ю. А. Анализ пакетов нейросетево-го моделирования // Решетневские чтения : материалы XVМеждунар. науч. конф. ; СибГАУ. Красноярск, 2011. Ч. 2. С. 615.
© Истомина Ю. А., 2012
УДК 004.9
Д. С. Лазарев Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ГИСТОГРАММНЫЙ ПОДХОД ДЛЯ СЕГМЕНТАЦИИ РАЗНОНАПРАВЛЕННЫХ РУКОПИСНЫХ СТРОК ТЕКСТОВЫХ ДОКУМЕНТОВ
Рассматриваются проблемы, возникающие при сегментации рукописного текста на графическом изображении. Предлагаются рекомендации по решению этих проблем.
Качественная сегментация изображений документов в системах распознавания рукописного текста является обязательным предварительным этапом.
В зависимости от качества отсканированного изображения и почерка человека текст на изображении может изменяться от строго горизонтального (что почти не встречается на практике) до разнонаправленного. В данном случае обработке и распознаванию подвергаются архивные документы. Все документы различаются по степени освещенности, четкости, зашумленности и т. д., что существенно затрудняет задачу сегментации. Обработка изображения текстового документа перед его непосредственным распознаванием делится на несколько этапов: бинаризация, морфологические методы расширения и сжатия и сегментацию изображения [1]. Экспериментальные исследования подтверждают тот факт, что предварительная обработка значительно повышает качество сегментации.
Существует множество подходов к сегментации изображения. Авторы Tsuruoka, S., Adachi, Y., Yoshi-kawa, T предлагают использовать алгоритм прореживания, основанный на построении областей произвольной формы, содержащих связный текст [2]. Алгоритм получает границу такой области шириной, не превышающей один пиксель. Другой подход предложен авторами Bin Zhang Sargur, N. Srihari и заключается в сегментации изображения с текстом на отдельные слова, выделяемые на основе многомерного вектора признаков [3]. Существует также гистограммный подход к сегментации изображения. В этом случае в зависимости от яркости пикселей строятся вертикальная и горизонтальная гистограммы (такой метод подходит для
черно-белых изображений). На пересечении пиков этих гистограмм выделяются области с текстом. При решении поставленной задачи будет использоваться последний подход к сегментации изображения.
Анализ архивного документа говорит о нетривиальном построении корректной гистограммы по яркости из-за разнонаправленности рукописного текста. В данной работе предлагается разбивать изображение на прямоугольные области определенных заранее размеров, после чего производить сегментацию для каждой из этих областей, предварительно подвергнув их выравниванию по горизонтали относительно содержания. Подобная обработка значительно понизит влияние помех, связанных с разнонаправленностью текста, и будет способствовать корректному выделению и выравниванию рукописных слов.
Библиографические ссылки
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005. 1072 с.
2. Tsuruoka, S., Adachi, Y., Yoshikawa, T. (poster-051 -tsuruoka.pdf) The segmentation of a text line for a handwritten unconstrained document using thining algorithm // Proceedings of the Seventh International Workshop on Frontiers in Handwriting Recognition, 2000. P. 505-510.
3. Sargur Bin Zhang , Srihari N. Analysis of Handwriting Individuality Using Word Features // 7th International Conference on Document Analysis and Recognition, Edinburgh, 2003. Р. 1142-1146.
© Лазарев Д. С., 2012
