Система розпізнавання рукописних цифр з оцінкою якості

Автор(и)

  • Ольга Володимирівна Коротун Державний університет «Житомирська політехніка», Ukraine https://orcid.org/0000-0003-2240-7891
  • Галина Вікторівна Марчук Державний університет «Житомирська політехніка», Ukraine https://orcid.org/0000-0003-2954-1057
  • Дмитро Костянтинович Марчук Державний університет «Житомирська політехніка», Ukraine
  • Олег Володимирович Талавер Державний університет «Житомирська політехніка», Ukraine

DOI:

https://doi.org/10.26642/ten-2020-1(85)-135-146

Ключові слова:

нейрон, нейронна мережа, перцептрон, помилка, алгоритм, навчання, тренування

Анотація

У статті розглянуто одну з областей штучного інтелекту – нейронні мережі, що застосовуються у різних галузях суспільства. Функціонування будь-якої системи стає набагато ефективніше за допомогою розв’язання задач на основі нейронних мереж. Класи задач, які можна розв’язувати за допомогою нейронних мереж, визначаються тим, як вони працюють і навчаються. Метою роботи є дослідження потенційних можливостей різних алгоритмів розпізнавання рукописних символів, зокрема цифр. Написання бібліотеки для роботи з нейронними мережами та розробка програмного додатка, який дасть можливість створювати, зберігати, тренувати та тестувати різні моделі нейронних мереж.

Результатом дослідження визначено перевірку спроєктованої моделі нейронної мережі з мінімальною кількістю шарів та аналіз якості розпізнавання.

У роботі проаналізовані різні моделі нейронних мереж, а саме мережі прямого поширення (feed forward neural networks) або багатошаровий персептрон (perceptrons). Досліджено найвідоміший алгоритм навчання – так званий алгоритм зворотного поширення (back propagation). Проведено аналіз порогової та сигмоїдальної функції активації. Для знаходження мінімуму функції використовувався градієнт.

Застосовано набір даних MNIST (Modified National Institute of Standards and Technology database) – це велика база рукописних цифр, яка зазвичай використовується для навчання різних систем обробки зображень. Побудована бібліотека для роботи з нейронною мережею, яка разом з набором тренувальних даних MNIST дала акуратність близько 98 %.

Методи, продемонстровані у роботі, є основою для побудови більш складних систем. Розроблений програмний додаток дає можливість створювати, зберігати, тренувати та тестувати нейронні мережі.

Біографії авторів

Ольга Володимирівна Коротун, Державний університет «Житомирська політехніка»

O.V. Korotun

Галина Вікторівна Марчук, Державний університет «Житомирська політехніка»

G.V. Marchuk

Дмитро Костянтинович Марчук, Державний університет «Житомирська політехніка»

D.K. Marchuk

Олег Володимирович Талавер, Державний університет «Житомирська політехніка»

О.V. Talaver

Посилання

Neural, Michael (2015), «Networks and Deep Learning», Determination Press APK, 224 p.

Neural, M. «Neural Networks and Deep Learning», [Online], available at: http://neuralnetworksanddeeplearning.com

Optical character recognition, [Online], available at: https://en.wikipedia.org/wiki/Optical_character_recognition

Artificial neural network, [Online], available at: https://en.wikipedia.org/wiki/Artificial_neural_network

Machine learning, [Online], available at: https://en.wikipedia.org/wiki/Machine_learning

LeCun, Y., The mnist database, [Online], available at: http://yann.lecun.com/exdb/mnist/

EMNIST: an extension of MNIST to handwritten letters, [Online], available at: https://arxiv.org/pdf/1702.05373.pdf

Khaustov, P.A. (2017), «Algorithms for handwritten character recognition based on constructing structural models», Computer Optics, No. 41 (1), pp. 67–78.

Morugov, A.M. and Volkov, S.V. (2017), «Character Recognition Methods», Proceedings of the International Symposium «Reliability and quality», PSU, Penza, Vol. 1, [Online], available at: https://cyberleninka.ru/article/n/metody-raspoznavaniya-simvolov/viewer

Perceptron, [Online], available at: https://en.wikipedia.org/wiki/Perceptron

Deep learning, [Online], available at: https://en.wikipedia.org/wiki/Deep_learning

Upadhyay, Y. (2019), Introduction to FeedForward Neural Networks, [Online], available at: https://en.wikipedia.org/wiki/Perceptron

Haihan Lan (2017), The Softmax Function, Neural Net Outputs as Probabilities, and Ensemble Classifiers, [Online], available at: https://towardsdatascience.com/the-softmax-function-neural-net-outputs-as-probabilities-and-ensemble-classifiers-9bd94d75932

##submission.downloads##

Опубліковано

2020-06-26

Як цитувати

Коротун, О. В., Марчук, Г. В., Марчук, Д. К., & Талавер, О. В. (2020). Система розпізнавання рукописних цифр з оцінкою якості. Технічна інженерія, (1(85), 135–146. https://doi.org/10.26642/ten-2020-1(85)-135-146

Номер

Розділ

ІНЖЕНЕРІЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ