<<
>>

3.1.2 Результаты обучения нейронной сети.

Эффективность работы используемого алгоритма обучения иллюстрируются графиком на рисунке 3.9. Из него следует, что количество ложных лиц перед первой итерацией алгоритма самонастройки достаточно велико, но уже после первой итерации алгоритма самонастройки число ложных обнаружений уменьшается, а после 2 итераций падает до 700.

Таким образом, нейронная сеть учится разделять образы на два класса.

На рисунке 3.10 представлен график изменение среднего значения откликов нейронной сети на предъявление образов разных классов (количество образов обоих классов одинаково). Из поведения графика следует, что нейронная сеть довольно быстро "выучила" особенности лицевого образа, то есть вы-ход нейронной сети на предъявление лицевого образа находится на уровне 0.9, тогда как для нелицевых образов с каждой итерацией алгоритма самонастройки средний отклик нейронной сети падает, то есть с каждой итерацией классифицирующие способности нейронной сети улучшаются. 6000-1

Итерации алгоритма самонастройки

Рис. 3.9. Количество ложных обнаружений на различных итерациях процедуры са-монастройки.

Итерации процедуры самонастройки

Рис. 3.10 Среднее значение отклика нейронной сети на предъявление образов разных классов.

Эффективную оценку способности классификатора разделять образы на два класса, дают гистограммы распределения откликов нейронной сети на предъявление образов разных классов из тестовой выборки. Тестовая выборка содержит по 500 изображений каждого класса.

На рисунке 3.11 показаны гистограммы распределения откликов нейронной сети на различных итерациях алгоритма самонастройки (отклики нейронной сети для лицевых образов находятся в окрестности 1, отклики для нелицевых образов соответственно распределяются в окрестности -1).

Выход нейронной сети Выход нейронной сети Выход нейронной ««« Выход нейронной сети Выход нейронной tern

Первая итерация Вторая итерация Третья итерация Четвертая итерация Пятая итерация

Рис. 3.11 Гистограммы распределения откликов нейронной сети на предъявление образов из

тестовой выборки.

В таблице 3.1 приведены итоговые данные по процессу обучения и достигнутым результатам.

Таблица 3.1-Итоговые данные по процессу обучения. Количество лицевых образов 12000 Итоговое количество нелицевых образов 21300 Итоговая ошибка обучения, max \d - у\ 0,02

<< | >>
Источник: Макаренко Алексей Александрович. Алгоритмы и программная система классификации полутоновых изображений на основе нейронных сетей: диссертация... кандидата технических наук: 05.13.18. - Москва: РГБ, 2007. 2007

Еще по теме 3.1.2 Результаты обучения нейронной сети.:

  1. 1.2.1 Искусственные нейронные сети в системах распознавания
  2. Радиально-базисные нейронные сети
  3. Свёрточные нейронные сети
  4. 2.1.1 Свёрточные нейронные сети
  5. 2.1.2 Топология свёрточной нейронной сети
  6. 2.2 Алгоритм обучения нейронной сети для ускоренной сходимости обучения
  7. 3.1 Алгоритм обучения нейронной сети.
  8. 3.1.2 Результаты обучения нейронной сети.
  9. 1.1. Искусственные нейронные сети. Их основные типы, используемые в физике.
  10. 1.2.11 Нейронные сети, обучаемые по методу имитации отжига.
  11. 1.3.2 Нейронные сети радиально-базисного типа
  12. 2.2. Самонастраивающаяся нейронная сеть радиально базисного типа.
  13. Нейронные сети
  14. Общая схема обучения нейронной сети
  15. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ СЕГОДНЯ
  16. ПЕРСЕПТРОНЫ И ЗАРОЖДЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
  17. Глава 9. Оптические нейронные сети