3.3 Полученные результаты

Проделанная работа по моделированию программной модели, которая реализует распознавание цифр. Модель построена при помощи нейронной, искусственной сети. При построении применен вероятностно-статистический растровый анализ в образов.

Программа обеспечивает перевод графического изображения в матричный вид. Далее, загружается эталонная база данных для сумматорных таблиц. Затем программа вычисляет промежуточные таблицы для каждого символа.

После этого, производится подсчет симбиозных матриц каждого символа. Анализ взвешивания весов, а также получение результирующих значений позволит выявить наибольшее значение, определяющее принадлежность к конкретному символу (рисунок 3.20).

Рисунок 3.20 – Фрагмент программы

Программа позволяет реализовать новый подход при использовании методологии путем применения вероятностно статистической сети. В процессе тестирования программы получены эффективные результаты распознавания образов.

Программа позволяет работать с рукописным почерком, легко адаптируется под определенный шрифт.

В данной модели существуют определенные ограничения, но, несмотря на это, программа осуществляет высокоточное распознавание.

При выборе опрелеенного шрифта для определения и подстройки модели под выбранный шрифт с помощью эталонной базы данных.

Программа значительно повышает процент распознавания и предоставляет высокие результаты в зависимости от качества подстройки. Это позволяет применять модульное ядро для современного использования в других программ (рисунок 3.21).

Рисунок 3.21 – Пример анализа и подсчета сумматорной, конгруэнтной, диверсивной и пасивной матриц подсчетов

Апробация программы поводилась на ПК следующей конфигурации: Intel Celeron 2.4 GHz, 256 MB RAM, OS: Microsoft Windows XP SP2. Работа программы заключается в сравнении, анализе и изменении весов. За счет этого повышается эффективность и точность модели сети.

Помимо этого, распознавание символов происходит за миллисекунды, без использования распараллеливания. Разработанная программа является уникальной, распознавание образов символов происходит эффективно. Эффективность основывается на использовании базы данных эталонных образов символов.

Заключение

В работе спроектирована и построена искусственная нейронная сеть, использующая нейро-матричную реализацию, с применением вероятностно-статистического анализа для классификации обрабатываемых изображений. Основные результаты работы:

1. Проведен анализ литературы, на основе которого выявлены и использованы в работе основные концепции теории построения и использования нейронных сетей, построены блок-схемы и модульное приложение с помощью объектно-ориентированного языка программирования C#.

2. Создана база данных эталонных образов цифр.

3. Разработана искусственная нейронная сеть без учителя, обрабатывающая базу эталонных образов.

4. Разработаны модули программного приложения для распознавания цифр.

6. Разработанное приложение может использоваться при решении различных задач, связанных с распознаванием образов.

7. Проведено моделирование, тестирование и отладка программы, реализующей комплексную структуру нейронной сети.