Теория и практика распознавания инженерных сооружений, промышленных предприятий и объектов железнодорожного транспорта при дешифрировании аэроснимков. А. С. Молчанов

из соображений удобства изложения и проведения операций будем пользоваться обозначением w₀= —h.

      Обозначим через wi(t), i=1,n вес связи от i-го элемента входного сигнала к нейрону в момент времени t.

      Шаг 2. Предъявление сети нового входного и желаемого выходного сигналов.

      Входной сигнал X=(x₁, x₂ …., x_n) предъявляется нейрону вместе с желаемым выходным сигналом D.

      Шаг 3. Адаптация (настройка) значений синаптических весов. Вычисление выходного сигнала нейрона.

      Перенастройка (адаптация) синаптических весов проводится по следующей формуле:

      где D(t) – индикатор, определенный равенством (2.1), а r – параметр обучения, принимающий значения меньшие 1.

      Описанный выше алгоритм – это алгоритм градиентного спуска, который ищет параметры, чтобы минимизировать ошибку. Алгоритм итеративный. Формула итераций выводится следующим образом.

      Введем риск

      где суммирование идет по числу опытов (t – номер опыта), при этом задано максимальное число опытов – Т.

      Подставим вместо F формулу для персептрона, вычислим градиент по w. В результате мы получим указанную выше формулу перенастройки весов.

      В процессе обучения вычисляется ошибка δ(t)=D(t) – y(t).

      Рисунок 2.8 – График изменения ошибки в процессе обучения нейросети

      На рисунке 2.8 изображен график, показывающий, как меняется ошибка в ходе обучения сети и адаптации весов. На нем хорошо видно, что, начиная с некоторого шага, величина δ(t) равна нулю. Это означает, что персептрон обучен.

      2.9. Дешифрирование объектов с помощью технологий искусственного интеллекта

      При автоматизированном (автоматическом) дешифрировании изображений решаются задачи, которые по классификации Гонсалеса и Вудса делятся на задачи высокого и низкого уровня. К задачам высокого уровня относятся: