Разработка концепции автоматизированной системы "Дополненная реальность" использование моделей и методов систем искусственного интеллекта.

В данной курсовой работе был проведен анализ возможности использования нейронных сетей для разработки автоматизированной системы дополнительной реальности, позволяющей получать пользователю дополнительную информацию о известных туристических объектах.
В ходе выполнения работы было произведено рассмотрение концепции автоматизированной системы, описаны как предпочтительные технологические составляющие, так и математические основы наиболее сложной части такой системы. Были освещены существующие аналоги такой системы, возможные проблемы различных подходов к её реализации, а также рассмотрена возможная структура нейронной сети и алгоритм ее функционирования.

...

Содержание

Введение 3
I. Нейронная сеть Хопфилда 3
II. Однослойный персептрон 3
III. Применение распознавание I и II на 3-х объектах 3
IV. Вывод о возможности использования нейронных сетей для распознавания туристических достопримечательностей. 3
Список использованной литературы 3

Введение

Технология дополнительной реальности - новый способ получения доступа к данным, при этом влияние этой технологии на общество может оказаться сравнимым с эффектом от появления Интернета. Авторство термина «дополненная реальность» принадлежит Томасу Престону Коделлу. инженеру исследовательской лаборатории Боинга. В 1992 г. он применил принципы технологии в системе, созданной для помощи рабочим в монтаже электрических кабелей в самолетах.
Дополненная реальность (Augmented reality, AR) – является технологией совмещения информации виртуальной, реализованной как в виде аудио или графических объектов, так и текстовой с реальными изображениями или объектами, обрабатываемой в режиме реального времени. Таким образом, именно взаимодействие виртуальных объектов с объектами реальными отлича ет дополнительную реальность от виртуальной. Задача, которая стоит перед данной технологией – расширение возможностей взаимодействия пользователя с объектами окружающего мира. Дополнительная информация, накладываемая на изображения реального мира имеет вспомогательно–информационных характер, при этом данная информация контекстно связана с реальными объектами и доступна пользователю в режиме реального времени.
Технология ДР находит применяется во многих областях деятельности людей, таких как медицина, инженерия, образовательные услуги, авиация и многие другие.
Системы дополненной реальности в большинстве своем основаны на работу с визуальными, либо с аудиовизуальными данными. Связано это в первую очередь с тем, что более 70 % информации человек получает с помощью органов зрения. В связи с этим, одной из основных проблем, которые возникают в процессе разработки систем дополнительной реальности является сложность распознавания образов и объектов реального мира вычислительными системами. Большой шаг в данном направлении был сделан с развитием нейронных сетей, предоставляющих новые возможности для решения проблем распознавания образов.
90-е годы двадцатого столетия характеризуются интенсивным всплеском исследований в области искусственных нейронных сетей (ИНС).. Наличие значительного внимания к нейросетевым технологиям, проявляемого со стороны академических ученых, инженеров- информатиков и пользователей- практиков различных сфер деятельности, подтверждается огромным количеством публикаций в научной периодике. На сегодня есть все основания говорить о достижении определенных успехов нейросетевых технологий в решении сложных задач как чисто научных, так и в сфере техники, бизнеса, финансов, медицинской диагностики, других областях, связанных с интеллектуальной деятельностью.
В настоящее время в области ИНС работают ученые различных направлений таких, как компьютерные науки и инженерия, математика, физика, биология, психология, нейрофизиология, использующие различные подходы и методы и ставящие перед собой различные задачи, в связи, с чем довольно трудно рассуждать о теории искусственных нейронных сетей как о чем-то монолитно целом.
Рассматривая ИНС с более высокого уровня, можно говорить о них как о самостоятельном направлении в теории интеллектуальных систем, с которыми их роднит способность к накоплению и обобщению информации, использованию ее для решения проблем и накоплению новых знаний в процессе функционирования. Отличия же нейросетей от прочих интеллектуальных систем определяются их способностью к обучению по набору примеров, их запоминанию, формированию ассоциаций, восстановлению и воспроизведению данных и знаний, устойчивостью к сбоям, повышенной надежностью. В качестве определяющего отличительного признака ИНС все же следует выделить их способность к обучению, запоминанию и восстановлению даже искаженной информации.
Появление ИНС связано с пониманием того, что мозг живого организма работает иначе, чем компьютер. Человеческий мозг - это очень сложная нелинейная параллельная информационно-управляющая система способная к анализу, накоплению и восстановлению информации, решению проблем. Именно система подобная по своему устройству человеческому мозгу способна эффективна анализировать различные аудиовизуальные данные для создания систем дополнительной реальности.
Целью данного курсового проекта является анализ возможности реализации и разработка концепции автоматизированной системы дополнительной реальности реализующей задаче предоставления информации о туристических достопримечательностях.

Отдельную группу нейронных сетей составляют сети с обратной связью между различными слоями нейронов. Это так называемые рекуррентные сети. Их общая черта состоит в передаче сигналов с выходного либо скрытого слоя во входной слой.Главная особенность, выделяющая эта сети среди других нейронных сетей, - динамические зависимости на каждом этапе функционирования. Изменение состояния одного нейрона отражается на всей сети вследствие обратной связи типа “один ко многим”. В сети возникает некоторый переходный процесс, который завершается формированием нового устойчивого состояния, отличающегося в общем случае от предыдущего. Если, как и прежде, функцию активации нейрона обозначть f(u), где и — это взвешенная сумма его возбуждений, то состояние нейрона можно определить выходным сигналом. Принимая во внимание, что при обратной связи типа “один ко многим” роль возбуждающих импульсов для нейрона играют выходные сигналы других нейронов, изменение его состояния может быть описано системой дифференциальных нелинейных уравнений.По аналогии с электронными системами активационную функцию можно считать нелинейной усилительной характеристикой искусственного нейрона. Коэффициент усиления вычисляется как отношение приращения величины выходной к вызвавшему его небольшому приращению величины входной. Он выражается наклоном кривой при определенном уровне возбуждения и изменяется от малых значений при больших отрицательных возбуждениях (кривая почти горизонтатьна) до максимального значения при нулевом возбуждении и снова уменьшается, когда возбуждение становится большим положительным. Центральная область логистической функции, имеющая большой коэффициент усиления, решает проблему обработки фабых сигналов, в то время как области с падающим усилением на положительном н отрицательном концах подходят для больших возбуждений. Среди различных конфигураций рекурсивных нейронных сетей встречаются такие, при классификации которых по принципу обучения, строго говоря, не подходят ни обучение с учителем, ни обучение без учителя. В таких сетях весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. С одной стороны, предъявление априорной информации можно расценивать, как помощь учителя, но с другой - сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, н не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известна сеть Хопфнлда, которая обычно используются для организации ассоциативной памяти. Обобщенная структура этой сети представляется, как правило, в виде системы с непосредственной обратной связью выхода со входом (рис. 1.3). Характерная особенность такой системы состоит в том, что выходные сигналы нейронов являются одновременно входными сигналами сети:, при этом возбуждающий вектор особо не выделяется. В классической системе Хопфилда отсутствует связь нейрона с собственным выходом, что соответствует wij = 0, а матрица весов является симметричной: W = WT.Рисунок 1.3 – Обобщенная структура сети ХопфилдаПроцесс обучения сети формирует зоны притяжения (аттракции) некоторых точек равновесия, соответствующих обучающим данным. При использовании ассоциативной памяти с обучающим вектором х либо с множеством этих векторов, которые в результате проводимого обучения определяют расположение конкретных аттракторов (точек притяжения). Каждый нейрон имеет функцию активации типа signum со значениями ±1. Это означает, что выходной сигнал нейрона определяется функцией.где N обозначает количество нейронов, N = п.В процессе функционирования сети Хопфилда можно выделить два режима: обучения и классификации. В режиме обучения на основе известных обучающих выборок х подбираются весовые коэффициенты wij. В режиме классификации при зафиксированных значениях весов и вводе конкретного начального состояния нейронов возникает переходный процесс, протекающий в соответствии с заданными настройками сети и завершающийся в одном из локальных минимумов. Благодаря такому режиму обучения веса принимают значения, определяемые усреднением множества обучающих выборок.Задача, решаемая данной сетью в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных с сигнало (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить ("вспомнить" по частичной информации) соответствующий образец (если такой есть) или "дать заключение" о том, что входные данные не соответствуют ни одному из образцов. По завершении подбора весов сети их значения “замораживаются”, и сеть может использоваться в режиме распознавания. В этой фазе на вход сети подается тестовый вектор х и рассчитывается ее отклик в виде , причем итерационный процесс повторяется для последовательных значений вплоть до стабилизации отклика. Итерационный процесс стабилизации отклика системы состоит из определенного количества циклов и в значительной степени зависит от При большом количестве образов образуются косвенные локальные минимумы, не соответствующие ни одному из запомненных образов, но определяемые сформированной структурой энергетической функции сети. Процесс распознавания может сойтись к одному из таких локальных минимумов, вследствие чего полученное решение не будет соответствовать состоянию ни одного из нейронов, принимавших участие в процессе обучения.II. Однослойный персептронИскусственная нейронная сеть, состоящая из нейронов Мак-Каллока - Питтса показана на рисунке 2.1. Она производит "групповое" преобразование (вычисление) информации, поданную на её входа. Рисунок 2.1 – Нейронная сеть Мак-Каллока – ПиттсаЭлемент Σ умножает каждый вход х на вес w и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае – нулю. Эти системы (и множество им подобных) получили название персептронов. Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов, хотя в принципе описываются и более сложные системы.В 1957 году Фрэнк Розенблатт предложил и реализовал принцип персептрона – однослойной искусственной нейронной сети (Рисунок 2.2). Персептрон Розенблатта моделировал процессы распознавания геометрических образов и состоял из рецепторного слоя (S), слоя преобразующих нейронов (А) и слоя реагирующих нейронов (R). В модели Розенблатта нейрон имеет несколько входов (дендритов) и один выход (аксон). Нейрон возбуждается и посылает импульс на свой выход, если число сигналов на возбуждающих входах превосходит число сигналов на тормозных входах на некоторую величину, называемую порогом срабатывания нейрона. В зависимости от характера внешнего раздражения, в S-слое образуется некая совокупность импульсов, поступающих на А-слой, где в соответствии с совокупностью пришедших импульсов образуются новые импульсы, поступающие на входы нейронов R-слоя.Рисунок 2.2 – Логическая схема элементарного перцептронаS-элементы (сенсоры) - это чувствительные элементы, которые от воздействия какого-либо из видов энергии (например, света, звука, давления, тепла и т. п.) вырабатывает сигнал. Если входной сигнал превышает некоторый порог θ, на выходе элемента получаем +1, в противном случае 0.Рисунок 2.3 – Функция активации S-элементаA-элементы (ассоциативные) называются логическими решающими элементами, которые дают выходной сигнал +1, когда алгебраическая сумма их входных сигналов равна или превышает некоторую пороговую величину θ (говорят, что элемент активный), в противном случае выход равен -1.R-элементы (реагирующие, то есть действующие) называются элементы, которые выдают сигнал +1, если сумма их входных сигналов является строго положительной, и сигнал -1, если сумма их входных сигналов является строго отрицательной. Если сумма входных сигналов равна нулю, выход считается либо равным нулю, либо неопределённым.Рисунок 2.4 – Функция активации R-элемента23 июня 1960 года электронная машина «Марк-1», построенная в Корнелльском университете (штат Нью-Йорк) Фрэнком Розенблаттом, проявила способности к самообучению: она безошибочно узнавала, квадрат или круг ей показывают. Таким образом, она усвоила представление об основных геометрических фигурах и определяла квадрат, например, какого бы цвета или размера он ни был. Чтобы «научить» персептрон классифицировать образы, был разработан специальный итерационный метод обучения проб и ошибок, напоминающий процесс обучения человека — метод коррекции ошибки. Кроме того, при распознании той или иной буквы персептрон мог выделять характерные особенности буквы, статистически чаще встречающиеся, чем малозначимые отличия в индивидуальных случаях. Тем самым персептрон был способен обобщать буквы, написанные различным образом (почерком), в один обобщённый образ. Различают однослойный персептрон, в котором входные элементы напрямую соединены с выходными с помощью системы весов и многослойный персептрон, в котром присутствуют дополнительные слои A-элементов.Обучение персептронаФункцией активации F для классического однослойного персептрона является ступенька:Рисунок 2.5 Функция активации элементарного персептронаОбучение однослойного персептрона подразумевает наличие обучающей выборки - множества пар векторов (Хs, Ds), где вектор Х данной пары – это входной вектор персептрона, а D – это выходной вектор персептрона, который считается правильным при данном входном. Подадим на вход перcептрона вектор Хs из обучающего множества и рассчитаем выход сети Ys. Сравним выход сети с эталоном Ds. Зная разницу между ними, можно ввести коррекции для весовых коэффициентов и пороговых уровней:Если ответ сети правильный (ds – ys = 0), то веса нейрона не изменяются.Если ответ больше правильного (ds – ys < 0), то веса нейрона должны уменьшаться.Если ответ меньше правильного (ds – ys > 0), то веса нейрона должны увеличиваться.Перейти на шаг 1.Для j-го нейрона в слое данное правило можно записать в виде системы дельта-правило:Где ε - небольшое положительное число, характеризующиее скорость обучения; Δwij – коррекция, связанная с i-м входом нейрона; ΔΘj - коррекция порогового уровня j-го нейрона; wij(n+1) – значение веса после коррекции; wij(n) - значение веса до коррекции; Θj(n+1) - значение порогового уровня после коррекции; Θj(n) - значение порогового уровня до коррекции.За конечное число шагов сеть научиться давать правильные ответы. При старте обучения веса и пороговые уровни инициализируются случайными значениями. Созданная таким образом сеть абсолютно неадекватна решаемой задаче и может генерировать на выходе только шум. Поэтому ошибка в начале обучения очень велика, и есть смысл вводить большие коррекции параметров. Ближе к концу обучения ошибка значительно снижается, и коррекции должны быть малыми. Чтобы менять длину шагов по параметрам, используют расписание обучения (learning schedule). Скорость обучения, зависит от времени обучения: ε(t). Обычно скорость монотонно убывает с ростом времени. Для сходимости алгоритма необходимо:Часто выбирают ε(t) = 1/at, а > 0 или аналогичные функции. Алгоритмы с расписанием обучения сходятся быстрее, так как в начале используются большие коррекции, и дают более точные результаты за счет точной настройки параметров в конце обучения.III. Применение распознавание I и II на 3-х объектах В целом проблема распознавания образов (ПРО) состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и другими реакциями - на все объекты отличимых образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов. В качестве объектов обучения могут быть использованы изображения архитектурных объектов. Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу.