POLITECHNIKA ŚWIĘTOKRZYSKA W KIELCACH |
---|
SYSTEMY INTELIGENTNE |
Nr ćwiczenia: 3 |
Cel ćwiczenia
Celem ćwiczenia było przygotowanie map bitowych o rozmiarach 8x10 i 12x15. Następnie należało wprowadzić obrazy do programu Neuronix i nauczyć sztuczną sieć neuronową rozpoznawać je przy różnej tolerancji uczenia.
Obrazy idealne:
Odpowiedzi systemu:
8x10 | |
---|---|
TU=0.1 | |
obrazek | M |
0,87 | |
0,87 | |
0,65 | |
0,68 | |
0,7 | |
0,11 | |
0,47 | |
0,23 | |
0,36 | |
0,14 | |
0,12 | |
0,35 | |
0,23 | |
0,08 | |
0,55 | |
0,16 | |
-0,05 | |
0,25 | |
0,42 | |
0,37 | |
-0,11 | |
0,27 | |
0,16 | |
-0,03 | |
0,2 | |
0,93 | |
0,86 | |
0,73 | |
0,48 | |
0,31 | |
0,22 | |
0,04 | |
0,13 | |
0,14 | |
0,06 | |
0,06 | |
-0,05 | |
0,04 | |
-0,05 | |
0,05 | |
-0,05 | |
-0,11 | |
-0,08 | |
-0,04 | |
0,02 | |
0,02 | |
0,12 | |
0,08 | |
0,12 | |
0,21 | |
0,11 | |
-0,05 | |
-0,18 | |
-0,01 | |
-0,04 | |
-0,04 | |
-0,01 | |
0,1 | |
0,16 | |
0,16 | |
0,29 | |
0,28 | |
0,24 | |
0,15 | |
0,08 | |
0,08 | |
0,23 | |
0,3 | |
0,52 | |
0,69 | |
0,76 | |
0,76 | |
0,83 | |
0,89 | |
Dane uczące | |
0,93 | |
0,93 | |
0,91 | |
0,9 | |
0,88 | |
0,94 | |
0,89 | |
0,92 | |
0,92 | |
0,9 | |
0,92 | |
0,06 | |
0,1 | |
0,11 | |
0,07 | |
0,06 | |
0,05 | |
0,1 | |
0,04 | |
0,1 | |
0,13 | |
0,02 | |
0 | |
-0,03 | |
0,06 | |
0,03 | |
0,03 | |
-0,01 | |
0,04 | |
0,06 | |
-0,01 | |
-0,04 | |
-0,01 | |
0,05 | |
-0,04 | |
-0,04 | |
-0,01 | |
0,03 | |
-0,01 | |
-0,03 | |
0,01 | |
0,08 | |
0,02 | |
0,06 | |
0,09 | |
0,06 | |
0,08 | |
0,1 | |
0,07 | |
0,08 | |
0,09 |
12x15 | |
---|---|
TU=0.1 | |
obrazek | M |
0,68 | |
0,63 | |
0,65 | |
0,61 | |
0,53 | |
0,11 | |
0,15 | |
0,13 | |
0,09 | |
0,3 | |
0 | |
0,2 | |
0,15 | |
0,16 | |
0,34 | |
0,2 | |
0,01 | |
0,25 | |
0,23 | |
0,39 | |
-0,1 | |
0,24 | |
0,37 | |
0,21 | |
0,06 | |
0,71 | |
0,69 | |
0,59 | |
0,39 | |
0,21 | |
0,11 | |
0,08 | |
0,08 | |
0,07 | |
0,07 | |
0,07 | |
0,07 | |
0,06 | |
0,03 | |
-0,13 | |
-0,14 | |
-0,07 | |
-0,13 | |
-0,01 | |
0,05 | |
0,05 | |
0,06 | |
0,06 | |
0,09 | |
0,09 | |
0,12 | |
0,02 | |
-0,14 | |
0,02 | |
0,03 | |
0,03 | |
0,05 | |
0,17 | |
0,31 | |
0,22 | |
0,1 | |
0,18 | |
0,17 | |
0,12 | |
0,12 | |
0,12 | |
0,08 | |
0,2 | |
0,32 | |
0,49 | |
0,63 | |
0,69 | |
0,69 | |
0,7 | |
0,71 | |
Dane uczące | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,71 | |
0,07 | |
0,07 | |
0,06 | |
0,08 | |
0,06 | |
0,04 | |
0,09 | |
0,07 | |
0,05 | |
0,07 | |
0,05 | |
0,07 | |
0,14 | |
0,12 | |
0,02 | |
-0,02 | |
0,05 | |
0,06 | |
0,08 | |
0,07 | |
0,03 | |
0,04 | |
0,01 | |
0,07 | |
0,03 | |
0,03 | |
0,1 | |
0,03 | |
0,01 | |
-0,01 | |
0,12 | |
0,16 | |
0,12 | |
0,11 | |
0,12 | |
0,13 | |
0,12 | |
0,07 | |
-0,03 | |
0,08 |
Wnioski
Podczas
wykonywania ćwiczenia zaobserwowałem działanie sieci neuronowej przy rozpoznawaniu
obrazów, które stworzyłem. Bardzo interesująca była umiejętność sieci rozpoznawania obrazów z nałożonym szumem, gdzie ja miałem już problemy z rozpoznawaniem obrazów z nałożonym 40% szumem. Sieć neuronowa dla obrazków z nałożonym szumem przy tolerancji uczenia równej 0.1 dosyć dobrze rozpoznawała obrazy przy obu wielkościach obrazków natomiast przy tolerancji uczenia 0.01 pojawiły się już problemy. Dla pozostałych obrazków zazwyczaj pewniej odpowiadała sieć przy tolerancji uczenia równej 0.01. Często odpowiedzi przy tej tolerancji uczenia dla innych obrazków niż te właściwe były równe 0.