Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» icon

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем»




Скачати 379.38 Kb.
НазваМіністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем»
Сторінка1/8
Дата28.05.2013
Розмір379.38 Kb.
ТипДокументи
  1   2   3   4   5   6   7   8



МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

СУМСЬКИЙ ДЕРЖАВНИЙ УНІВЕРСИТЕТ


Кафедра комп’ютерних наук

Секція інформатики


КУРСОВА РОБОТА


«ОСНОВИ ПРОЕКТУВАННЯ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ»

на тему:

«Інтелектуальна система автоматичної класифікації дефектів поршневої системи двигунів внутрішнього згоряння за зображенням»


Виконала студентка групи ІНс – 22

Каленіченко І.І.


Перевірив професор Довбиш А.С.


СУМИ 2013

РЕФЕРАТ


Записка: 45 стор., 9 рис., 2 табл., 1 додаток, 9 бібліографічних джерел.

Об’єкт дослідження – слабоформалізований процес розпізнавання пошкоджень робочих поверхонь циліндрів двигунів за зображенням.

^ Мета роботи — розробка алгоритму класифікації пошкоджень робочих поверхонь циліндрів двигунів за зображенням в рамках інформаційно-екстремальної інтелектуальної технології (ІЕІТ).

^ Методи дослідження — метод функціонально-статистичних випробувань, методи теорії інформації і теорії розпізнавання образів.

Результати — розроблено інформаційне та програмне забезпечення системи розпізнавання пошкоджень робочих поверхонь циліндрів двигунів за зображенням. При цьому розглянуто питання обчислення інформаційного критерію функціональної ефективності (КФЕ) таких систем в рамках інформаційно-екстремальної інтелектуальної технології. Розроблений алгоритм реалізовано у програмному забезпеченні створеному за допомогою інструментального програмного середовища Delphi 7.0.


СИСТЕМА розпізнавання, інформаційний критерій, навчальна матриця, метод функціонально-статистичних випробувань, ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНА ІНТЕЛЕКТУАЛЬНИЙ ТЕХНОЛОГІЯ

ЗМІСТ


ЗМІСТ 3

ВСТУП 5

1 ІнформацІЙний ОГЛЯД 6

1.1 Аналіз методів розпізнавання образів 6

1.2 Постановка задачі 10

^ 2 ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНА ІНТЕЛЕКТУЛЬНА ТЕХНОЛОГІЯ 11

2.1 Основні положення та ідеї інформаційно-екстремальної інтелектуальної технології 11

2.2 Математична модель навчання системи підтримки прийняття рішень 17

2.3 Критерій функціональної ефективності 20

^ 3 ІНФОРМАЦІЙНЕ ТА ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ 25

3.1 Формування вхідного математичного опису 25

3.2 Базовий алгоритм навчання системи розпізнавання 26

3.3 Алгоритм паралельно-послідновної оптимізації системи контрольних допусків на ознаки розпізнавання 30

3.4 Короткий опис програмної реалізації 32

3.5 Результати фізичного моделювання 34

ВИСНОВКИ 39

ЛІТЕРАТУРА 40

ДОДАТОК 41



ВСТУП


На сучасному етапі якісне зростання засобів обчислювальної техніки та зниження їхньої вартості обумовили розширення області застосування двовимірних полів даних (цифрових зображень) у різних автоматизованих системах управління та переробки інформації. Застосування такого уявлення інформації дозволяє вирішувати як традиційні задачі на якісно вищому рівні, так і принципово нові задачі. Такою принципово новою задачею, що вирішується автоматизованими цифровими відеокомплексами (ЦВК) обробки і розпізнавання зображень, є автоматичне чи автоматизоване розпізнавання зображень об’єктів і текстур. Характерні області з таким уявленням інформації: неруйнуючий контроль виробів електронної техніки; контроль якості поверхонь; технічний зір роботів та ін. Основним фактором, що обмежує область використання ЦВК, недостатня ефективність процедури ідентифікації. Ефективність визначається швидкодією, завадостійкістю, розрізнювальною здібністю та вартістю. Підвищення ефективності може бути досягнуто шляхом удосконалення апаратної частини і шляхом створення більш досконалих методів обробки зображень. Перший напрямок включає в себе створення скануючих пристроїв (СП) з низьким рівнем шумів і високою розрізнювальною здібністю, забезпечення рівномірної освітленості об’єкта і використання в ЦВК високопродуктивних обчислювальних комплексів. Цей напрямок передбачає значне підвищення вартості ЦВК. У ряді випадків СП з характеристиками, що вимагаються, ще не створені чи не можуть бути створені принципово. Тому треба надати перевагу другому напрямку, що дозволяє досягнути потрібної ефективності без істотного підвищення вартості. [1-2]

Метою даної роботи є створення автоматизованої системи діагностування робочих поверхонь циліндрів двигунів за зображенням та визначення причин їх пошкодження на основі сучасної інформаційно-екстремальної інтелектуальної технології (IEI-технології).
^

1 ІнформацІЙний ОГЛЯД

1.1 Аналіз методів розпізнавання образів


Розпізнавання образів (об’єктів, сигналів, ситуацій, явищ або процесів) – завдання ідентифікації об’єкта або визначення яких-небудь його властивостей за його зображенням (оптичне розпізнавання) або аудіозаписом (акустичне розпізнавання) й іншими характеристиками [1]. Образ – класи­фікаційне угруповання в системі класифікації, що поєднує (виділяє) певну групу об’єктів за деякою ознакою [1]. Образи мають характерні об’єктивні властивості (ознаки) в тому розумінні, що різні люди (системи), що навчаються на різних об’єктах спостережень, здебільшого однаково й незалежно один від одного класифікують ті самі об’єкти. У класичній постановці завдання розпізнавання універсальна множина (простір ознак розпізнавання) розбивається на дрібні образи. Кожне відображення якого-небудь об’єкта на сприймаючому органі розпізнавальної системи, незалежно від його положення щодо цих органів, прийнято називати зображенням об’єкта, а множини таких зображень, об’єднані загальними властивостями, являють собою образи.

Приклади завдань розпізнавання образів [2]:

  • розпізнавання літер;

  • розпізнавання штрих-кодів;

  • розпізнавання автомобільних номерів;

  • розпізнавання осіб та інших біометричних даних;

  • розпізнавання мови.

Загалом можна виділити три методи розпізнавання образів [3].

Перший – метод перебору. У цьому випадку проводиться порівняння з базою даних, де для кожного виду об’єктів представлені всілякі модифікації відо­браження. Наприклад, для оптичного розпізнаван­ня образів можна застосувати метод перебору виду об’єкта під різними кутами, масштабами, зсувами, деформаціями тощо. Для літер потрібно перебирати шрифт, властивості шрифту і под. У випадку розпізнавання звукових образів відповідно відбувається порівняння з деякими відомими шаблонами (наприклад, слово, вимовлене кількома людьми).

Другий – проводиться більш глибокий аналіз ха­рактеристик образу. У випадку оптичного розпізнаван­ня це може бути визначення різних геометричних ха­рактеристик. Звуковий зразок у цьому випадку зазнає частотного, амплітудного аналізу тощо.

Третій – використання штучних нейронних ме­реж (ШНМ). Цей метод вимагає або великої кількості прикладів завдання розпізнавання при навчанні, або спеціальної структури нейронної мережі, що врахо­вує специфіку даного завдання. Проте його відрізняє більш висока ефективність і продуктивність.

Навчання – це процес, у результаті якого система поступово здобуває здатність відповідати потрібними реакціями на певні сукупності зовнішніх впливів.

Існують три загальні парадигми навчання: “з учи­телем”, “без учителя” (самонавчання) і змішана [4].

У першому випадку нейромережа має у своєму розпорядженні правильні відповіді (виходи мережі) на кожен вхідний приклад. Ваги налаштовуються так, щоб мережа виробляла відповіді якомога ближчі до відомих правильних відповідей.

Навчання без учителя не вимагає знання пра­вильних відповідей на кожен приклад навчальної вибірки. У цьому випадку розкривається внутрішня структура даних та кореляція між зразками в навчаль­ній множині, що дозволяє розподілити зразки по ка­тегоріях.

При змішаному навчанні частина ваг визначаєть­ся за допомогою навчання зі вчителем, у той час як інша визначається за допомогою самонавчання.

Штучні нейронні мережі виробляють певні прави­ла розв’язку, які дозволяють віднести багатопараме­тричні об’єкти (явища, ситуації, процеси) до визначе­них класів. На відміну від класичних методів розпізна­вання, які використовують у першу чергу апарат ма­тематичної статистики, ШНМ намагаються відтворити інформаційну модель біологічної нейронної мережі мозку людини та інших істот.

Загальна структура системи розпізнавання й ета­пи в процесі її розробки [5] показані на рис. 1.1.



Рисунок 1.1 – Структура системи розпізнавання


Завдання розпізнавання мають такі характерні риси.

Це інформаційні завдання, що складаються із двох етапів:

  • перетворення вихідних даних до виду, зручного для розпізнавання;

  • безпосередньо розпізнавання (належність об’єкта певному класу).

У даних завданнях можна вводити поняття ана­логії або подібності об’єктів і формулювати правила, на підставі яких об’єкт зараховується в той самий клас або в різні класи. У них необхідно оперувати на­бором прецедентів-прикладів, класифікація яких відо­ма і які у вигляді формалізованих описів можуть бути пред’явлені алгоритму розпізнавання для настрою­вання на завдання в процесі навчання.

Виділяють такі типи завдань розпізнавання [5]:

1) завдання розпізнавання – віднесення об’єкта по його опису до одного із заданих класів (навчання з учителем);

2) завдання автоматичної класифікації – розби­вання безлічі об’єктів, ситуацій, явищ за їхніми описа­ми на систему непересічних класів;

3) завдання вибору інформативного набору ознак при розпізнаванні;

4) завдання приведення вихідних даних до виду, зручного для розпізнавання;

5) динамічне розпізнавання й динамічна класифі­кація – завдання 1 і 2 для динамічних об’єктів;

6) завдання прогнозування, у якому розв’язок по­винний ставитися до деякого моменту в майбутньому.

Найбільшої актуальності набули такі групи ознак:

  • геометричні, виділення й обробка яких залежать насамперед від просторової роздільної здатності системи. До цих ознак належать розміри й форма зображення;

  • спектральні, виділення й обробка яких залежать від спектральної роздільної здатності системи. До них належать поглинаюча, випромінювальна й відбиваю­ча здатності, колір та ін.;

  • енергетичні, що характеризуються звичайно від­ношенням сигнал/шум;

  • динамічні, що використовують інформацію про зміну координат об’єкта, про швидкість його перемі­щення тощо.

У кожному конкретному випадку виявлення, роз­пізнавання й класифікації тих або інших об’єктів до­цільно використовувати обмежені сукупності стійких ознак.

У сучасних методах, що вирішують завдання розпізнавання образів, не в достатній мірі враховано питання розробки програмної реалізації, яка характе­ризується додатковими можливостями розпізнавання образів, аналізу взаємозв’язків та виявлення законо­мірностей у даних, що описують ці образи “інтелек­туальної” системи, яка функціонує в умовах динамічної обстановки, особливо при нестабільності параметрів спостережуваних об’єктів.

  1   2   3   4   5   6   7   8

Схожі:

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем»
«Інтелектуальна система автоматичної класифікації дефектів поршневої системи двигунів внутрішнього згоряння за зображенням»
Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук комплексна випускна робота на тему: «Інформаційне та програмне забезпечення інтелектуальних систем розпізнавання символьних написів. Блок ідентифікації символів»
«Інформаційне та програмне забезпечення інтелектуальних систем розпізнавання символьних написів. Блок ідентифікації символів»
Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет кафедра комп’ютерних наук випускна робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет кафедра комп’ютерних наук дипломна робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет кафедра комп’ютерних наук кваліфікаційна магістерська робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет центр заочної, дистанційної та вечірньої форм навчання кафедра комп’ютерних наук дипломна робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет центр заочної, дистанційної та вечірньої форм навчання кафедра комп’ютерних наук випускна робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет центр заочної, дистанційної та вечірньої форм навчання кафедра комп’ютерних наук кваліфікаційна магістерська робота на тему

Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМіністерство освіти І науки, молоді та спорту україни сумський державний університет центр заочної, дистанційної та вечірньої форм навчання кафедра комп’ютерних наук випускна робота на тему
Студента п’ятого курсу, групи ін-72 Дн спеціальності “Інформатика” дистанційної форми навчання Короля Олександра Васильовича
Міністерство освіти І науки україни сумський державний університет кафедра комп’ютерних наук Секція інформатики курсова робота «основи проектування інтелектуальних систем» iconМiнiстерство освiти І науки, молоді та спорту україни сумський державний університет центр заочної, дистанційної та вечірньої форм навчання кафедра комп’ютерних наук
«Комп’ютерне багатофакторне регресійне моделювання залежності між доходами, заощадженнями та цінами»
Додайте кнопку на своєму сайті:
Документи


База даних захищена авторським правом ©zavantag.com 2000-2013
При копіюванні матеріалу обов'язкове зазначення активного посилання відкритою для індексації.
звернутися до адміністрації
Документи