ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
LÊ THỊ THU HẰNG
NGHIÊN CỨU VỀ MẠNG NEURAL
TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI
TOÁN NHẬN DẠNG BIỂN SỐ XE
LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
HÀ NỘI, 2016
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
LÊ THỊ THU HẰNG
NGHIÊN CỨU VỀ MẠNG NEURAL
TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI
TOÁN NHẬN DẠNG BIỂN SỐ XE
Ngành : Công nghệ thông tin
Chuyên ngành : Kĩ thuật phần mềm
Mã số : 60480103
LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
Người hướng dẫn khoa học: TS.Nguyễn Văn Vinh
HÀ NỘI, 2016
CHƢƠNG 1: MNG NEURAL VÀ MNG NEURAL TÍCH
CHP
1. Mng neural và mng neural lan truyền ngƣợc
1.1. Gii thiu v mng Neural
Định nghĩa: Mạng nơron nhân tạo, Artificial Neural Network (ANN)
mt mô hình x lý thông tin phng theo cách thc x thông tin ca các
h nơron sinh học. được to nên t mt s ng ln các phn t (nơron)
kết ni vi nhau thông qua các liên kết (trng s liên kết) làm việc như một
th thng nhất để gii quyết mt vấn đề c th nào đó. Cu trúc neural nhân
to:
Hình 1.1. Cu to mt Neural
Các thành phần cơ bản ca một nơron nhân tạo bao gm:
• Tập các đầu vào: Là các tín hiu vào (input signals) ca nơron, các tín
hiu này thường được đưa vào dưới dng mt vector N chiu.
Tập các liên kết: Mi liên kết được th hin bi mt trng s liên kết
Synaptic weight. Bộ tổng (Summing function): Thường dùng để tính tng
của tích các đầu vào vi trng s liên kết ca nó.
• Ngưỡng (còn gi là một độ lch - bias): Ngưỡng này thường được đưa
vào như mt thành phn ca hàm truyn.
Hàm truyền (Transfer function): Hàm này được dùng để gii hn
phạm vi đầu ra ca mỗi nơron. nhận đầu vào kết qu ca hàm tng
ngưng.
Đầu ra: tín hiệu đầu ra ca một nơron, vi mỗi nơron s tối đa
là một đầu ra.
Xét v mt toán hc, cu trúc ca một nơron k, được t bng cp
biu thc sau:
Trong đó: x1, x2, ..., xp: là các tín hiu vào; (wk1, wk2,..., wkp) là các
trng s liên kết của nơron thứ k; uk là hàm tng; bk là một ngưỡng; f là hàm
truyn và yk là tín hiệu đầu ra của nơron.
1.2. Mt s kiu mng Neural
T kết hp (autoassociative
Kết hp khác kiu (heteroassociative)
Kiến trúc truyn thng (feedforward architechture)
Hình 1.4. Mng truyn thng
Kiến trúc phn hi (Feedback architecture): Hình 1.5. Mng phn hi
1.3. Mng Neural lan truyền ngƣợc MLP
a. Kiến trúc mng MLP
Hình 1.6. Mng neural lan truyền ngược MLP
Kiến trúc ca mt mng MLP tng quát có th mô t như sau:
Đầu vào là các vector (x1, x2, ..., xp) trong không gian p chiều, đầu ra
các vector (y1, y2, ..., yq) trong không gian q chiu. Mỗi nơron thuộc tng
sau liên kết vi tt c các nơron thuộc tng liền trước nó. Đầu ra của nơron
tầng trước là đầu vào của nơron thuộc tng lin sau nó.
b. Hun luyn mng MLP:
+ Các phương pháp học:
Hc có giám sát
Hc không giám sát
Học tăng cƣờng
c. Hc có giám sát trong các mạng nơron
d. Mng lan truyn ngược <Back Propagation Network>
Mô hình mng: Mng neural lan truyền ngược có mô hình như sau
Mng có 3 lp:
1
2
3
...
...
n
1
p
m
1
...
q
...
L