Моделирование подсистемы идентификации

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.

Рисунок 3 — Изображение № 1.

Рисунок 4 — Изображение № 2.

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.

3) Подсистема Transform.

Подсистема Transform представлена на рисунке 10.

В таблице 2 представлено описание блоков подсистемы Transform.

Таблица 2 — описание основных блоков подсистемы Transform.

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.

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.