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). ............