ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ РАСПОЗНАВАНИЯ СИМВОЛОВ

ВВЕДЕНИЕ 3
1 Теоретические аспекты проблемы распознавания символов с помощью нейронных сетей 5
1.1 Машинное обучение 5
1.2 Классификация нейронных сетей 7
1.3 Многослойная нейронная сеть прямого распространения 15
2 Программная реализация нейросетевого алгоритма распознавания символов 19
2.1 Выбор инструментария для построения искусственной нейронной сети 19
2.2 Описание разработанной программы 21
2.3 Анализ результатов разработанной программы 29
ЗАКЛЮЧЕНИЕ 31
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 32
Приложение А 33

ЗАКЛЮЧЕНИЕ
Сфера распознавания объектов и символов по изображениям является очень обширной и требует индивидуального подхода для различных типов объектов и изображений. Таким образом, разработав систему распознавания символов на основе искусственных нейронных сетей, которая обрабатывала получаемые на вход данные, считываемые с помощью системы распознавания, выполняющую оцифровку каждого символа, находящегося в поле зрения, мы получили сеть, которую смогли обучить на различных наборах зашумленных векторов, что позволило работать с изображениями, искаженными шумами, что характерно для реальной практики.
Первая сеть обучена на идеальных векторах входа, а вторая сеть – на зашумленных. Обучение сети на зашумленных векторах входа значительно снижает погрешность распознавания реальных векторов входа. Сети имеют очень малые погрешности, если среднеквадратичное значение шума находится в пределах от 0.00 до 0.05. Когда к векторам был добавлен шум со среднеквадратичным значением 0.2, в обеих сетях начали возникать заметные ошибки. При этом погрешности нейронной сети, обученной на зашумленных векторах, на 3–4 % ниже, чем для сети, обученной на идеальных входных последовательностях. Таким образом, для более высокой точности распознавания, сеть может быть обучена либо в течение более длительного времени, либо с использованием большего количества нейронов в скрытом слое.
Данная практическая работа показала возможности работы нейронной сети прямого распространения на примере распознавания символов, что открывает возможности для улучшения алгоритмов и разработок новейших передовых разработок, к примеру, распознавание объектов, биометрическое распознавание человека по лицу и пр. 
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
1. Майкл Нильсен. Нейросети и глубинное обучение, Neural Networks and Deep Learning [Электронный ресурс] – Режим доступа: http://neuralnetworksanddeeplearning.com/
2. Фрэнк Розенблатт. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Издательство «Мир», 1965г – 82 с.
3. Учебник по нейронным сетям Neuralnet [Электронный ресурс] – Режим доступа: http://neuralnet.info/chapter/персептроны/#История-персептрона
4. Николаева И.В. Нейросетевая деконволюция сейсмических записей: диссертация на соискание ученой степени кандидата технических наук: 05.13.01 / Николаева И.В. – Краснодар, 2004. – 158 с.
5. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. Издательство «ДИАЛОГ-МИФИ», 2002г – 630 с.

Приложение А
Код разработанной программы