Проектирование нейронной сети в табличном процессоре MS Excel
Разработка алгоритма распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Распознавание образов знаков десятичной системы, построенной с помощью горизонтальных и вертикальных штрихов.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 29.01.2020 |
| Размер файла | 153,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Омская гуманитарная академия
ПРОЕКТИРОВАНИЕ НЕЙРОННОЙ СЕТИ В ТАБЛИЧНОМ ПРОЦЕССОРЕ MS EXCEL
Д.П. Денисов, О.К. Касымова
Аннотация
Разработан алгоритм распознавания чисел с эмуляцией нейронной сети на основе использования стандартных функций табличного процессора MS Excel. Информация может быть полезной для специалиста и слушателя в плане изучения проблем нейронной сети.
Ключевые слова: нейронная сеть, алгоритм распознавания чисел.
Основная часть
Нейронные сети широко используются в распознавании образов, идентификации объектов и прогнозировании экономических процессов.
Под образом понимается структурированное описание изучаемого объекта, процесса или явления, представленное вектором признаков, выражаемых количественно. В результате идентификации объектов осуществляется их классификация, позволяющая выявлять закономерности и выполнять прогнозы [1].
Нейронная сеть проектируется для решения узкоспециализированных задач в различных сферах [3]. Наиболее популярные и доступные приложения, позволяющие создавать нейронную сеть и управлять ее структурой - «Deductor Studio Akademic», «NeuroEmulator», «NeuroView» и др., алгоритм обработки данных установлен разработчиками.
С целью наглядного отражения принципа работы нейронной сети спроектирован алгоритм распознавания знаков с использованием стандартных функций табличного процессора MS Excel. Решение компактно размещается на одной странице электронной книги (рисунок), обозримо без применения скроллинга [2] и позволяет ознакомиться с основными элементами и режимами работы нейронной сети в интерактивном режиме.
Системе предлагается распознать образы знаков десятичной системы (0, 1, 2, …, 9), построенные с помощью горизонтальных, вертикальных и наклонных штрихов (коротких линий):
алгоритм распознавание нейронный сеть
|
A |
B |
C |
D |
E |
F |
G |
H |
I |
J |
K |
L |
M |
N |
O |
P |
||
|
1 |
Распознавание (продолжение) |
||||||||||||||||
|
2 |
Обучение |
3 |
2 |
0 |
1 |
? |
Порог |
||||||||||
|
3 |
Эталоны |
Ошибка в разряде |
1 |
||||||||||||||
|
4 |
x1 |
x2 |
x3 |
x4 |
x1 |
x2 |
x3 |
x4 |
F |
||||||||
|
5 |
0 |
2 |
4 |
0 |
0 |
1 |
2 |
0 |
1 |
4 |
1 |
||||||
|
6 |
1 |
0 |
2 |
0 |
1 |
3 |
0 |
0 |
0 |
3 |
1 |
||||||
|
7 |
2 |
2 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
4 |
1 |
||||||
|
8 |
3 |
2 |
0 |
1 |
1 |
1 |
2 |
1 |
0 |
4 |
1 |
||||||
|
9 |
4 |
1 |
3 |
0 |
0 |
2 |
1 |
0 |
1 |
4 |
1 |
||||||
|
10 |
5 |
3 |
2 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
* |
1 |
|||||
|
11 |
6 |
2 |
2 |
0 |
1 |
1 |
0 |
0 |
0 |
1 |
* |
1 |
|||||
|
12 |
7 |
1 |
1 |
0 |
1 |
2 |
1 |
0 |
0 |
3 |
1 |
||||||
|
13 |
8 |
3 |
4 |
0 |
0 |
0 |
2 |
0 |
1 |
3 |
1 |
||||||
|
14 |
9 |
2 |
2 |
1 |
0 |
1 |
0 |
1 |
1 |
3 |
1 |
||||||
|
15 |
Распознавание |
||||||||||||||||
|
16 |
Поток событий |
||||||||||||||||
|
17 |
|||||||||||||||||
|
18 |
-3201 |
Элементарное событие |
* |
* |
|||||||||||||
|
19 |
3201 |
Фильтр |
|||||||||||||||
|
20 |
Обучение (текст) |
||||||||||||||||
|
21 |
Эталоны |
Сравнение |
|||||||||||||||
|
22 |
л |
е |
т |
о |
1 |
1 |
1 |
1 |
|||||||||
|
23 |
з |
и |
м |
а |
0 |
0 |
0 |
0 |
|||||||||
|
24 |
Рецепторы |
||||||||||||||||
|
25 |
x1 |
x2 |
x3 |
x4 |
лето |
Событие |
|||||||||||
|
26 |
3201 |
3201 |
3201 |
3201 |
Распознавание (текст) |
||||||||||||
|
27 |
0,001 |
0,000 |
0,000 |
0,000 |
л |
ле |
лет |
лето |
|||||||||
|
28 |
0,000 |
0,010 |
0,000 |
0,000 |
л |
е |
т |
о |
|||||||||
|
29 |
0,000 |
0,000 |
0,100 |
0,000 |
35 |
29 |
42 |
38 |
|||||||||
|
30 |
0,000 |
0,000 |
0,000 |
1,000 |
|||||||||||||
|
31 |
3,201 |
32,01 |
320,1 |
3201 |
Веса (с учетом инверсии) |
||||||||||||
|
32 |
3 |
32 |
320 |
3201 |
1 |
-10 |
0 |
0 |
|||||||||
|
33 |
-10 |
0 |
|||||||||||||||
|
34 |
0 |
0 |
1 |
-10 |
|||||||||||||
|
35 |
0 |
0 |
0 |
1 |
|||||||||||||
|
36 |
3 |
2 |
0 |
1 |
Внешний вид рабочего листа задания
Размещено на http://www.allbest.ru/
В частности, так выглядят табло индикаторных устройств, шаблоны почтовых индексов.
Например, образ знака «0» Размещено на http://www.allbest.ru/
выполнен при помощи двух горизонтальных и четырех вертикальных штрихов.
Для идентификации образов полного набора (10 знаков) потребуется составить таблицу обучения нейронной системы по четырем признакам (видам штрихов), т. е. вектор i-го эталона Xi будет иметь следующие компоненты:
xi1Размещено на http://www.allbest.ru/
- количество вертикальных штрихов;
Размещено на http://www.allbest.ru/
xi2 - количество горизонтальных штрихов;
Размещено на http://www.allbest.ru/
xi3 - количество наклонных штрихов нижних;
Размещено на http://www.allbest.ru/
xi4 - количество наклонных штрихов верхних.
Таблица эталонов располагается на листе MS Excel в виде матрицы (массив B5:E14).
Рассмотрим, как работает система.
Информация, поступающая с виртуального сканирующего устройства, представляет собой поток действительных чисел (Xi').
Рецептор (ячейка "B18") воспринимает (пропускает) числа по модулю < 10000 или сообщает о превышении допустимой разрядности.
В ячейку "B18" введено выражение:
=ABS(ЕСЛИ(ЦЕЛОЕ(B18)<=10000;ЦЕЛОЕ(B18);"Не более 4-х разрядов"))
Знак и дробная часть числа игнорируются.
«Чувствительность» рецепторов второго уровня определяет матрица "B27:E30". Обработка выполняется последовательно в ячейках "B31:E31"; "B32:E32":
=МУМНОЖ(B26:E26;B27:E30);
=ОКРВНИЗ(C32;1), автозаполнение вправо.
На следующем уровне число (Xi') разносится по j разрядам в отдельные ячейки "B36:E36": из содержимого ячейки вычитается результат соседнего (старшего) разряда, умноженный на (-10):
=МУМНОЖ(B32:E32;G32:J35).
Для наглядности массив повторяется в ячейках "G6:J6", верхняя часть листа: содержимое ячеек соотносится с эталонами; суммарная ошибка (Функция Fi = ?(Xij' - Xij)) определяет степень адекватности регистрируемого события каждому из образов:
=ABS(B$37-B6); автозаполнение вправо и вниз.
В качестве индикатора (*) используется логическое выражение:
=ЕСЛИ(L5<=N5;"*";" "), автозаполнение вниз.
На рабочем листе столбец "M5:M14" транспонирован в ячейки "H18:Q18" посредством "ТРАНСП".
Так как нейронные системы наиболее актуальны в решении нечетко формализованных задач, целесообразно задать предельную величину ошибки (порог), за которым событие будет отнесено к нераспознаваемому образу, т. е. не подлежащему классификации.
В нашем примере сигнал "3201", полученный с виртуального сканера, система относит либо к "5-ти", либо к "6-ти": в первом случае образ имеет лишний наклонный штрих, во втором - лишний вертикальный, суммарная ошибка равна "1".
Несмотря на то, что эталоны идентифицированы (соответствуют различным векторам Xi), некоторые ошибки выходят за рамки «осмысления» нейронной системой.
В частности, образ Размещено на http://www.allbest.ru/
«безошибочно» распознается, как "9", в то время как вероятнее принять его как "6" (с неправильным положением наклонного штриха): алгоритм не учитывает положение горизонтальных и вертикальных штрихов, как и то, что они встречаются чаще наклонных.
«Аналитические» способности нашей системы, несомненно, возрастут, если функция F будет выражаться не в абсолютных величинах, а в частях; распознавание индексов улучшится при увеличении количества «нейронов» в слое. Отметим: при средней скорости восприятия информации, сопоставимой с человеческим зрением (30 кадров/с), система поддержит распознавание соответственно пяти-шестиразрядных индексов в секунду.
Следует учесть, что практически любой расчетный пример в MS Excel может быть эффективно дополнен средствами оптимизации.
Проектируемая система в принципе способна различать с требуемой точностью не только числа, но и текст.
В правой части рабочего листа представлен вариант конвертирования произвольного теста в последовательность чисел. Если в ячейку G25 помещено (импортируется, связывается) текстовое выражение "лето", разложение и перекодировка текста по ячейкам осуществляется командами =ЛЕВСИМВ($G25;1); =ПРАВСИМВ(G27;1); =КОДСИМВ(G28)-200 т. д.
Электронные таблицы интегрируются с базой данных и позволяют классифицировать любую информацию, в т. ч. экономическую - динамику цен, расчетные показатели, номенклатуру изделий, списки контрагентов (размерность массивов табличного процессора ограничивается в основном объемом оперативной памяти).
Настоящий пример наглядно отражает механизм работы нейронной сети (без использования операторов цикла, ветвления), опирается на общепринятые матричные процедуры и может быть рекомендован для освоения обучающимся по экономическим специальностям, маркетингу и менеджменту.
Библиографический список
1. Афонин, В. Л. Интеллектуальные робототехнические системы: курс лекций: учеб. пособие для студентов вузов, обучающихся по специальностям в обл. информ. технологий / В. Л. Афонин, В. А. Макушкин. М.: Интернет-ун-т информ. технологий, 2005.
2. Денисов, Д. П. Рациональная организация расчетно-прикладных заданий в электронных таблицах MS Excel / Д. П. Денисов // Проблемы содержания и качества учебного процесса в высшей школе: сб. науч. ст. / под ред. А. Э. Еремеева, Г. В. Косякова. Омск: Изд-во ОГИ, 2005. С. 54-60.
3. Нейронные сети в MS Excel: методич. указания к практич. занят. и лаб. работам / сост. В. Х. Федотов ; Чуваш. ун-т. Чебоксары, 2004. 72 с.
Размещено на Allbest.ru
...Подобные документы
Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Выбор типа и структуры нейронной сети. Подбор метода распознавания, структурная схема сети Хопфилда. Обучение системы распознавания образов. Особенности работы с программой, ее достоинства и недостатки. Описание интерфейса пользователя и экранных форм.
курсовая работа [3,0 M], добавлен 14.11.2013Формирование и расчет таблиц в табличном процессоре Excel. Расчет таблицы с использованием "Мастера функций". Построение диаграмм на основе табличных данных. Работа с базой данных "Книжный магазин" в Excel. Выручка по книгам, относящимся к одному типу.
контрольная работа [329,2 K], добавлен 26.09.2012Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Анализ программы Microsoft Excel. Способы оформления элементов таблицы различными цветами. Этапы подготовки табличных документов. Характеристика табличного процессора EXCEL. Особенности проведения однотипных расчетов над большими наборами данных.
реферат [565,9 K], добавлен 14.09.2012Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Создание круговой диаграммы в табличном процессоре Microsoft Office Excel. Построение графиков математических функций. Назначение и алгоритм построение диаграммы с помощью Мастера диаграмм. Типы диаграмм в Excel. Метки строк и столбцов диаграммы.
лабораторная работа [1,6 M], добавлен 15.11.2010Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Сущность системы поддержки принятия управленческих решений. Функции корпоративной системы SAP R3, выполнение регрессионного анализа в табличном процессоре Excel, создание в Access базы данных. Характеристика информационных служб в сети Интернет.
контрольная работа [2,0 M], добавлен 18.02.2011Эффективность применения объектного подхода для программных систем. Детальное проектирование и реализация системы, реализующей процессы создания и взаимодействия объектов. Распознавание компьютером печатных букв с помощью многослойной нейронной сети.
курсовая работа [38,0 K], добавлен 09.03.2009Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Извлечение информации, организация и отбор данных с помощью приложения Microsoft Query. Обработка полученных данных средствами сводной таблицы в табличном процессоре Excel в соответствии с индивидуальным заданием. Возможности Мастера сводных таблиц.
курсовая работа [2,4 M], добавлен 20.11.2011Принципы и система распознавание образов. Программное средство и пользовательский интерфейс. Теория нейронных сетей. Тривиальный алгоритм распознавания. Нейронные сети высокого порядка. Подготовка и нормализация данных. Самоорганизующиеся сети Кохонена.
курсовая работа [2,6 M], добавлен 29.04.2009Модель и задачи искусственного нейрона. Проектирование двуслойной нейронной сети прямого распространения с обратным распространением ошибки, способной подбирать коэффициенты ПИД-регулятора, для управления движения робота. Комплект “LEGO Mindstorms NXT.
отчет по практике [797,8 K], добавлен 13.04.2015История развития и функции линейного программирования. Исследование условий типовых задач и возможностей табличного процессора. Решение задач о рационе питания, плане производства, раскрое материалов и рациональной перевозке груза в среде MS Excel.
курсовая работа [3,3 M], добавлен 28.04.2014Создание таблицы "Покупка товаров с предпраздничной скидкой". Понятие формулы и ссылки в Excel. Структура и категории функций, обращение к ним. Копирование, перемещение и редактирование формул, автозаполнение ячеек. Формирование текста функции в диалоге.
лабораторная работа [450,2 K], добавлен 15.11.2010Этап предварительной обработки данных, классификации, принятия решения. Изображения обучающих рукописных символов, тестового символа. Выход нейронной сети для тестового символа. График тренировки нейронной сети. Последовательность точек. Входные вектора.
статья [245,7 K], добавлен 29.09.2008Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017
