Yüksek dereceden yapay sinir ağları ile değişmez örüntü tanıma
Invariant pattern renognition with higher order neural networks
- Tez No: 101204
- Danışmanlar: Y.DOÇ.DR. NESLİHAN SERAP ŞENGÖR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2000
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
YÜKSEK DERECEDEN YAPAY SINIR AĞLARI İLE DEĞİŞMEZ ÖRÜNTÜ TANIMA ÖZET Bu tezin temel amacı iki ve üç boyutlu örüntü tanımadır. Bu ise yüksek dereceden yapay sinir ağlarının yardımıyla gerçeklenecektir. Tezde yapılan tüm testler MS Visual Basic'te yazılan program yardımıyla gerçeklenmiştir. Yüksek dereceden yapay sinir ağı ölçekleme, yer değiştirme ve dönme gibi geometrik dönüşümlerde değişmezliğin sağlanmasında kullanılır. Değişmezlik direk olarak ağın yapısına gömülür ve öğrenme işlemi neredeyse ortadan kalkar. Buna göre ağ her sınıftan bir örnekle eğitilir. Farklı ölçekte, dönmüş, yer değiştirmiş örüntülere gerek kalmaz. Bu tezde, yüksek dereceden yapay sinir ağı ve bu yapı için kullanılan yazilim sunulmuştur. Yapı özellik seçme ve örüntü sınıflamayı birlikte yapmaktadır. Tezde öncelikle örüntü/nesne tanıma alanında çözülmesi gereken problemlere değinilmiştir. ikinci olarak, özellik seçme ve sınıflama konusularında kullanılan yöntemler hakkında detaylı bilgi verilmiştir. Özellikle genel örüntü/nesne tanıma probleminde değişmezliğin nasıl sağlandığı üzerinde durulmuştur. Bu konudaki bilinen yöntemler ikiye ayrılarak sunulmuştungeleneksel yöntemler, nöral ağlar. Üçüncü bölümde nöral ağlar açıklanmıştır. Başta, nöral hücre yapısı anlatılmış, daha sonra ağ yapısına değinilmiş, farklı ağ tipleri üzerinde durulmuş, bölüm sonunda da eğitim algoritmaları anlatılmıştır. Tezin yapılanlarla ilgili başlangıcı bölüm dört ile başlar. Bilindiği gibi yüksek dereceden yapay sinir ağları(YDYSA) yapay sinir ağlarına yeni bir bakış açısı getirmiştir. vıYDYSA'lar etkin bir biçimde örüntü tanımada kullanılabilirler, en temel faydaları, pratik ve hızlı çözüm sağlamalarından kaynaklanır. insan görme sisteminin en büyük özelliği örüntü/nesne' deki yer değiştirme, ölçekleme ya da dönmeye karşın örüntünün aynı örüntü olduğuna karar verebilmesidir. Bu yüzden örüntü/nesne tanıma ile ilgili üretilen çözümler bu biyolojik modeli esas almıştır. Geleneksel anlamda örüntü tanıma iki aşamada gerçeklenir: özellik seçme, sınıflama. Özellik seçme seçilen örüntünün daha düşük boyutlu bir yapıda ifade edilmesini sağlayan uygun dönüşümü arar. Burada en önemli nokta, örüntünün, özgün özelliklerinin ifade edilmiş olmasıdır bu örüntünün bir bakıma farklılığını arttırır, indirgeme işlemi ise, ilgilendiğimiz bilgilerin seçilip, kulanılmayan bilgilerin sadeleşmesi anlamaıma gelir ki, sistemin basitliği bu yolla gerçeklenir. Son dönem yaklaşımlarda, nesne tanımadaki iki aşamanın tek aşamaya indirgenmesi çalışmaları ağırlık kazanmıştır. Bu durumda farklı sınıflara ait örnekler bulunmakta, sistemden farklı sınıflara ait etkin özellikleri belirlemesi beklenmektedir. Özellikler bulunduktan sonra sınıflama işlemi bunu takiben gerçekleştirilmektedir. Bu yapının en önemli kusuru, eğitim aşamasının çok uzun sürmesi ve çok sayıda örneğe ihtiyaç duyulmasıdır. Yapay sinir ağlarında genelde bu yöntem kullanılmakadır. YDYSA' lar bu anlamda eğitim süresini yok denecek kadar aza indirgemekte ve eğitimde her sınıftan yalnızca bir örnek kullanmaktadır. En önemli kısıtlaması giriş alanı büyüklüğü ve kullanılan bağlantı sayısı çokluğundan kaynaklanan hafıza problemidir. Bunun için kısmi bağlantı ve işlenmemiş kodlama yöntemleri sunulacaktır. Beşinci bölümde benzetişim sonuçları ve yorumlar sunulmuştur. Benzetişimler MS Visual Basic' te yazılan programla gerçeklenmiştir. T, C tanıma problemi örüntü tanımada çok ünlüdür. Tezin sonunda, tüm sonuçlar tekrar gözden geçirilmiş ve eksiklerin neler olduğu belirtilmiş ayrıca konuyla ilgili öneriler sunulmuştur. vıı
Özet (Çeviri)
HIGHER ORDER NEURAL NETWORKS APPLIED TO INVARIANT PATTERN RECOGNITION SUMMARY The main aim of this thesis realising the 2D and 3D object recognition with High-Order Neural Networks. All tests were done by a program which was written in MS Visual Basic. A higher-order neural network can be designed to be invariant to geometric transformations such as scale, translation, and in-plane rotation. Invariances are built directly in to the architecture of a HONN (High Order Neural Networks) and do not need to be learned. Thus, for 2D object recognition, the network need to be trained on just one view of each object class, not numerous scaled, translated, and rotated views. In this thesis, i present a HONN and software which performs the complete feature- extraction, pattern classification paradigm required for automatic pattern recognition. In this thesis, firstly, given some information about the general description of the object recognition, what the problems must be solved in this area. Secondly, more specifics about the methods, their detailed descriptions, specially, feature extraction, classification, how we would satisfy invariance in general object recognition problem. Addition to this, in general, methods are grouped in two, one of them is traditional methods and the other is neural networks. In third chapter, Neural Networks are explained. At the beginning, The definition of a neural cell is given. Then the structure of neural nets are told. What kinds of structure are existed. After that, training algorithms are introduced. At the last of chapter, The rules of training algorithms would be presented. vinThe main chapter of this thesis is fourth. Higher order neural networks is a new perspective in neural nets. HONN would be used in invariant object recognition. Unlike the conventional methods, HONN' s are producing very practical and fast solutions. An important aspect of human visual system is the ability to recognise an object despite changes in the object's position in the input field, its size or its angular orientation. A variety of models inspired by the architecture of biological neural systems have been designed with the goal of reproducing this characteristic in machine vision systems. Traditionally, machine vision systems have separated the object recognition task into two independent subtasks: feature extraction followed by classification. The feature extraction task is concerned with finding transformations to map patterns to lower-dimensional spaces for pattern representation and to enhance separability. Dimensionality reduction is achieved by mapping process that projects useful information contained in the original measurements onto a very few composite features, while ignoring redundant and irrelevant information. A more recent approach for position, scale, and rotation-invariant (PSRI) object recognition combines two tasks into single system. Given only a set of views of each object class that it is required to distinguish between, the system determines which features to extract as well as which are distinguish features of each class. The advantage of this approach is that the two subtasks can share information and improve the classifier's separating ability by extracting the useful features. The disadvantage however is that the system requires a longer training period, since it has no prior information about the relationship between the set of training views. Object recognition systems based on neural networks are an example of this approach. The major drawback of HONN' s is that the size of the input field is limited due to the memory required for the larger number of interconnections in a fully connected network. So being cope with this difficulty, partial connectivity strategies and a coarse coding techniques are presented. In chapter fifth, simulations results and comments are presented. Simulations are made in program which is written in MS Visual Basic. T, C recognition problem is very famous problem in object recognition. And this problem is presented to 2D and 3D HONN' s and all results are shown in this chapter. IXLastly, at the end of this thesis, all results are recommitted and all defects are presented. Also some suggestions are explained to overcome these difficulties.
Benzer Tezler
- El yazısı karakterlerinin kapalı cebirsel eğrilerle modellenmesi ve sınıflandırılması
Handwriting character modeling with implicit curves and classification
İHSAN PENÇE
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYRAM CETİŞLİ
- Yapay sinir ağlarında öğrenme algoritmalarının analizi
Analysis of learning algorithms in neural networks
SEVİNÇ BAKLAVACI
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. LEYLA GÖREN
- Self collision detection system for sign tutoring humanoid robot
İşaret dili eğitmeni insansı robot için çarpışma tespit sistemi
YAKUP ÖZDEN
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- Prediction of kinematic viscosity and density of diesel fuel from physical properties by artifical neural networks
Yapay sinir ağları ile dizel yakıtın fiziksel özelliklerden kinematik viskozite ve yoğunluğunun tahmini
AYMEN ABDULQADER ABBAS AL OBAIDI
Yüksek Lisans
İngilizce
2020
Kimya MühendisliğiAtılım ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN KAYI
- Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü
Modeling, implementation and control of logistics systems using artificial neural networks
MURAT ERMİŞ
Doktora
Türkçe
2005
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF.DR. FÜSUN ÜLENGİL