Порядок выполнения работы

• Предварительно выполнить л/р:
• GA-1: Решение оптимизационных задач с помощью генетических алгоритмов
• NN-1: Распознавание изображений с помощью персептрона
• Сформировать обучающую выборку из множества изображений.
• Разработать компьютерную программу (среда разработки выбирается студентом самостоятельно).
• Провести серию из 5+ испытаний с различными исходными данными, выявить трудности, ограничения и недостатки обучения НС с помощью генетических алгоритмов.
• Оформить отчет по лабораторной работе.

Требования к исходным данным и функциональности компьютерной программы

• В программе должна быть реализована возможность задания обучающей выборки из внешних файлов изображений
• Изображения должны быть черно-белыми (bitmap) и размером не менее 16 (4x4) пикселей.
• Программа должна иметь два режима работы: обучения и распознавания.
• Обучение НС должно производиться с помощью генетического алгоритма .

• элементы обучающей выборки (изображения)
• правильные варианты элементов обучающей выборки
• текущие (итоговые) веса нейронов и значение порога активационной функции
• размер ошибки, при котором обучение нейрона завершается
• режим обучения должен иметь два варианта работы:
  • пошаговый - на экране должны отображаться все представители (хромосомы) одного поколения до и после применения каждого оператора (скрещивания, селекции, редукции и мутации).
  • циклический - на экране должны отражаться только агрегированные данные по каждому поколению и итоговый набор хромосом.

На экранной форме режима распознавания должны отображаться:

• распознаваемое изображение (должно выбираться из всего множества)
• результат распознавания
• веса нейронов и значение порога активационной функции
• значения выхода нейрона

Рекомендации по реализации алгоритма обучения

• В качестве хромосомы ГА можно представлять (кодировать) набор весов нейрона - каждому гену (набору генов) соответствуют числа после запятой. Например, если вес входа нейрона равен 0.3, то гену (набору генов) будет соответствовать 0011.
• Под качеством хромосомы можно понимать суммарную ошибку обучающей выборки, которая в ходе обучения с каждым новым поколением должна уменьшаться до фиксированного значения (демонстрируя сходимость алгоритма).
• При реализации алгоритма скрещивания хромосом рекомендуется использовать бинарное представление, т.к. создать генофонд (первоначальный набор всех возможных генов) из всех возможных значений весов затруднительно. Например, если веса 0.3 и 0.4 закодированы в виде набора генов 0011 и 0100, то при скрещивании в зависимости от точки раздела можно получить значения 0000 (0) и 0111 (0,7) или 0110 (0.6) и 0101 (0.5). Если же обмениваться значениями 0.3 и 0.4 целиком, то варианты новых весов появляться не будут.

• Для задания различной размерности распознаваемых изображений можно пользоваться одним типо-размером с максимальной разрешающей способностью, но при этом считывать только часть пикселей (например, от верхнего левого угла).
• Для решения задач обучения двухмерное изображение N*M можно преобразовывать в одномерный вектор (массив) размерностью K=N*M.
• При распознавании цветных изображений (RGB) каждому пикселю соответствует 3-х байтовая последовательность (24 входа).

Содержание отчета

• Название и цель работы
• Задание, краткое описание предметной области и выбранной задачи
• Блок-схема алгоритмов обучения и распознавания
• Протоколы проведенных экспериментов (5+), представленные в форме таблиц и графиков (допускаются скриншоты в случае программной реализации эту функциональности)
• Выводы и рекомендации по использованию ГА для обучения НС.