Помощь в написании студенческих работ
Антистрессовый сервис

Моделирование подсистемы идентификации

Реферат: Моделирование подсистемы идентификации
РефератПомощь в написанииУзнать стоимостьмоей работы

Создаем Simulink-модель подсистемы распознавания сигналов, которая представлена на рисунке 7. Данный блок используется для того, чтобы импортировать полученный сигнал в среду Matlab. В зависимости от результата подсистем переключает сигнал аргумента функции. В результате выполнения программы нейронная сеть была построена и обучена. Блок используется для аналого-цифрового преобразования входного… Читать ещё >

Моделирование подсистемы идентификации (реферат, курсовая, диплом, контрольная)

Разработка базы сигналов и создание нейронной сети

Идентификации личности по изображению лица является ключевой задачей для целого ряда актуальных приложений: контроля доступа и перемещений людей, борьбы с терроризмом, документарного контроля, сортировки служебных и личных видеоархивов. В общей постановке проблема создания автоматизированной компьютерной программы, сочетающей быструю обработку видеоизображений с надежным нахождением лиц на видеоизображении и их идентификацией, чрезвычайно сложна. Трудности связаны с возможными изменениями масштабов изображения лица, его ракурса и режима освещения, окружающего фона и целого ряда других факторов. Однако, возможность успешного решения таких задач доказывает то, что проблему идентификации по изображению лица вполне успешно решает обычный человек.

Идентификация изображения будет осуществляться с помощью вероятностной нейронной сети, смоделированной в среде Matlab 2012b.

Модель подсистемы идентификации сигналов

Для распознавания изображения взята вероятностная сеть grnn, которая устроена аналогично вероятностной нейронной сети (PNN), но она предназначена для решения задач регрессии, а не классификации. GRNN-сеть обучается почти мгновенно, но может получиться большой и медленной (хотя здесь, в отличие от PNN, не обязательно иметь по одному радиальному элементу на каждый обучающий пример, их число все равно будет большим).

В разработанную нейронную сеть добавим дополнительные выходы для просмотра вероятности распознавания.

Входные данные при моделировании нейронной сети задаем с помощью программы загрузки изображений:

Данные изображения загружены успешно.

Изображение №1.
Рисунок 3 - Изображение №1.

Рисунок 3 — Изображение № 1.

Изображение №2.
Рисунок 4 - Изображение №2.

Рисунок 4 — Изображение № 2.

Изображение №3.
Рисунок 5 - Изображение №3.

Рисунок 5 — Изображение № 3.

Создаем Simulink-модель подсистемы распознавания сигналов, которая представлена на рисунке 7.

После чего осуществляем моделирования 3-х различных сигналов, для образования массивов x1, x2,x3, необходимых для обучения нейронной сети (рис.8).

Рассмотрим подробнее блоки, из которых состоит данная модель:

1) Блок Constant.

Блок предназначен для установки констант, применяемых при моделировании. Он имеет один параметр настройки — Constant value, который может быть введен и как вектор-строка из нескольких элементов по общим правилам MATLAB. В данном случае данное значение принимаем за единицу.

2) Подсистема Source.

Подсистема Sourse изображена на рисунке 9.

Данная подсистема состоит из таких блоков как:

  • — Signal From Workspace;
  • — Data Type Conversion;
  • — Multiport Switch;
  • — Scope;
  • — To Workspace.

В таблице 1 представлено описание блоков подсистемы Sourse.

Таблица 1 — Описание основных блоков подсистемы Sourse.

Название.

Описание.

Параметры блока.

Заданные значения.

Signal From Workspace.

Данный блок используется для того, чтобы импортировать полученный сигнал в среду Matlab.

  • 1)Signal;
  • 2)Sample time;
  • 3)Samples per frame.

1)сигнала1,а2,а3;

2) шаг модельного времени — 1;

3)образцы для каждого кадра — 1.

Data Type Conversion.

Блок Data Type Conversion преобразует тип входных данных и масштаб вывода.

  • 1)Sample time;
  • 2)Integer rounding mode;
  • 3)Output data type.
  • 1) шаг модельного времени — 1;
  • 2)целочисленное округление режима — floor;
  • 3)тип выходных данных — наследовать с помощью обратного распространения.

Multiport Switch.

В зависимости от результата подсистем переключает сигнал аргумента функции.

  • 1)Data port order;
  • 2)Number of data ports;
  • 3)Data port for default case;
  • 4)Diagnostic for default case;
  • 5)Sample time;
  • 6)Integer rounding mode.
  • 1)задаваемый порт данных — один на основе смежных;
  • 2)количество портов передачи данных — 3;
  • 3)порт данных для случая по умолчанию — последний порт данных;
  • 4)диагностика для случая по умолчанию — ошибка;
  • 5) шаг модельного времени — (-1);
  • 6)режим округления до целогоfloor;

Scope.

Строит графики исследуемых сигналов в функции времени. Позволяет наблюдать за изменениями сигналов в процессе моделирования.

Number of axes.

Число входов — 3.

To Workspace.

Блок записывает данные, поступающие на его вход, в рабочую область Matlab.

  • 1)Variable name;
  • 2)Limit data points to last;
  • 3)Decimation;
  • 4)Sample time;
  • 5)Save format.
  • 1)имя переменной — Y1, Y2,Y3;
  • 2)предельные значения последних точек данных — inf;
  • 3)истребление — 1;
  • 4)шаг модельного времени — (-1);
  • 5) cохранение формата — array.

3) Подсистема Transform.

Подсистема Transform представлена на рисунке 10.

В таблице 2 представлено описание блоков подсистемы Transform.

Таблица 2 — описание основных блоков подсистемы Transform.

Название.

Описание.

Параметры блока.

Заданные значения.

Zero-Order Hold.

Блок используется для аналого-цифрового преобразования входного сигнала.

Sample time.

Шаг модельного времени — 0,49.

Buffer.

Блок накапливает цифровые значения.

  • 1)Output buffer size;
  • 2)Buffer overlap;
  • 3)Initial conditions.

размер выходного буфера — 1024;

буфер перекрытия — 0;

начальные условия — 0.

Transpose.

Данный блок трансформирует матрицу-столбец в матрицу-строку.

;

;

4) Блок To Workspace.

Блок To Workspace записывает данные, поступающие на его вход, в рабочую область Matlab. Параметр данного блока представлен в таблице 3.

Таблица 3 — параметры блока To Workspace.

Параметры блока.

Заданные значения.

1)Variable name;

2)Limit data points to last;

3)Decimation;

4)Sample time;

5)Save format.

  • 1)имя переменной — х1, х2,х3;
  • 2)предельные значения последних точек данных — inf;
  • 3)истребление — 1;
  • 4)шаг модельного времени — (-1);
  • 5)cохранение формата — array.

Для создания сети grnn, воспользуемся следующей программой:

Т=[ 1 2 3] где.

  • 1 — изображение № 1;
  • 2 — изображение № 2;
  • 3 — изображение № 3.

В результате выполнения программы нейронная сеть была построена и обучена.

После чего создаем модель для распознавания сигналов и модель выбранной нами нейронной сети, которая размещается на модели распознавания изображений. Данная модель представлена на рисунке 12, 13 и 14.

В данной главе была разработана подсистема распознавания сигналов, разработаны источники сигналов разной формы, обучена нейронная сеть и выполнено распознавание сигналов.

Показать весь текст
Заполнить форму текущей работой

Сессия? Спокойно!