Ranka rašytų skaičių atpažinimo kokybės tyrimas priklausomai nuo pasirinkto neuroninio tinklo mokymo modelio
Magistro baigiamojo darbo tikslas - parinkti optimalų neuroninių tinklų mokymo modelį, tinkamą ranka rašytiems skaičiams atpažinti.Šiam tikslui pasiekti buvo iškelti uždaviniai: atlikti įvairių tipų neuroninių tinklų taikymo ir atpažinimo kokybės gerinimo literatūros analizę; atlikti skaitinius eksperimentus su įvairiais neuroniniais tinklais, naudojant MNIST duomenų rinkinį; apibendrinti gautus rezultatus, padaryti išvadas.Darbo tyrimo metodai: įvairios literatūros nagrinėjama tema analizė, skaitiniai eksperimentai.Darbo rezultatai: atlikus skaitinius eksperimentus buvo pasirinktas optimalus neuroninio tinklo modelis ranka rašytų skaičių atpažinimui ir jis buvo pritaikytas vienaženkliams ir n-ženkliams skaičiams atpažinti. Geriausias pasiektas atpažinimo rezultatas - 98,39 %.Darbą sudaro 8 dalys: įvadas, dirbtinių ir biologinių neuroninių tinklų apžvalga, dirbtinių neuroninių tinklų tipų apžvalga, aktyvacijos funkcijų apžvalga, optimizacijos metodų apžvalga, skaitiniai eksperimentai, darbo rezultatai, išvados ir siūlymai, literatūros sąrašas. Darbo apimtis - 53 p. teksto be priedų, 47 iliustr., 14 lent., 30 bibliografiniai šaltiniai.Atskirai pridedami darbo priedai.
The goal of this Master thesis - to find optional neural network learning model for handwritten digits recognition while using numerical experiments.In order to reach that goal, some excercises were raised: to do analysis of literature about improving handwritten digits recognition with different types of neural networks; to do numerical experiments with different neural networks and MNIST dataset; to summarize results and to make conclusions.Research methods: analysis of literature, numerical experiments.Results: Most optimal neural network model for handwritten digits recognition was chosen and it was applied for numbers of one digit and numbers of multiple digits recognition. The best reached recognition result - 98,39 %.Structure: introduction, artificial and biological neural networks review, review of different types of artificial neural networks, review of activation functions, review of optimizers, numerical experiments, results, conclusions and suggestions, references. Thesis consist of 53 p. text without appendixes, 47 pictures, 14 tables, 30 bibliographical entries.Appendixes included.