Trong báo cáo đề tài này sẽ trình bày phương pháp mạng noron nhân tạo trong máyhọc, đây là một phương pháp phổ biến hiện nay được ứng dụng rộng rãi và giải quyếtđược nhiều bài toán máy h
Trang 1ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
- -BÀI THU HOẠCH MÔN HỌC MÁY HỌC VÀ ỨNG DỤNG
Đề tài: Mạng nơ-ron nhân tạo vào ứng dụng nhận dạng biển số xe
Giảng viên hướng dẫn: PGS.TS Vũ Thanh Nguyên
Học viên thực hiện: Lê Bảo Trung
TP Hồ Chí Minh, tháng 3 năm 2014
Trang 2PHỤ LỤC
I GIỚI THIỆU ĐỀ TÀI 1
II MẠNG NƠ RON NHÂN TẠO 3
1 Khái niệm mạng noron 3
a) Mạng nơ-ron sinh học 3
b) Khái niệm mạng nơ-ron nhân tạo 4
c) Quá trình hình thành và phát triển noron nhân tạo 5
2 Mô hình của một mạng nơ-ron nhân tạo 7
a) Mô hình cấu trúc mộ nơ-ron nhân tạo 7
b) Hàm kích hoạt 8
c) Kiến trúc mạng nơ-ron 9
3 Ứng dụng 12
4 Ưu – nhược điểm của mạng noron 13
Ưu điểm: 13
Nhược điểm: 14
III ỨNG DỤNG MẠNG NƠRON NHÂN TẠO VÀO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE 14
1 Bài toán xử lý ảnh 14
a) Kỹ thuật chuyển ảnh sang ảnh mức xám (Gray Level): 14
b) Lược đồ mức xám (Histogram): 15
c) Xử lý ảnh bằng thuật toán K-means: 16
d) Lọc trung vị (Median): 18
e) Bộ lọc BlobsFiltering: 19
f) Thuật toán tách ký tự 19
2 Ứng dụng mạng nơron lan truyền ngược cho bài toán nhận dạng ký tự số trên biển số xe 27
Quátrình huấn luyện mạng 28
3 Xây dựng chương trình 30
IV KẾT LUẬN 32
TÀI LIỆU THAM KHẢO 33
Trang 3I GIỚI THIỆU ĐỀ TÀI
Ngày nay, với sự phát triển không ngừng của ngành công nghệ thông tin nói chung
và khoa học máy tính nói riêng, đã có rất nhiều thành tựu và đề tài nghiên cứu được ứngdụng rộng rãi, hiệu quả vào đời sống của con người, nó góp phần giúp đời sống conngười ngày càng hiện đại, giảm đi những công việc nặng nhọc trong đời sống hằng ngày,
từ đó làm thu ngắn thời gian lao động và nâng cao đáng kể hiệu suất làm việc Đặc biệt,phương pháp máy học cùng với công nghệ xử lý ảnh ngày nay đã đónggóp vai trò to lớntrong tự động hóa các vấn đề phức tạp tưởng chừng như chỉ có con người mới thực hiệnđược Có thể kể tên những ứng dụng phổ biến mà máy học và xử lý ảnh đang được ápdụng rộng rãi vào đời sống hiện nay như: xử lý ảnh chụp vệ tinh, dự báo thời tiết, điềukhiển giao thông công cộng, nhận dạng chữ viết tay, phân tích chữ ký, nhận dạng vân tay,nhận dạng mặt người, nhận dạng hành động của con người,…
Hiện nay, hầu hết các bãi giữ xe ở nước ta đều quản lí bằng cách thức thủ công đơngiản và không có được năng suất làm việc cao Quy trình giữ xe cơ bản được mô tả mộtcách đơn giản như sau: một người đọc biển số, một người khác sẽ ghi biển số xe vào thẻgiữ xe, sau đó sẽ bấm vào xe một phần vé xe, phần còn lại sẽ đưa cho chủ xe giữ Sau đó
xe trong bãi sẽ do nhiều người trông chừng tùy theo bãi xe đó rộng hay hẹp, có nhiều hay
ít góc khuất,…
Phương pháp thủ công được con người sử dụng một cách rộng rãi lý do bởi tínhđơn giản không cần các thiết bị phức tạp, đồng thời cũng không thể có giải pháp khácngoài việc sử dụng giác quan của con người để nhận biết được bảng số xe của cácphương tiện giao thông Phương pháp này tồn tại rất nhiều nhược điểm, đặc biệt trongtrường hợp đông xe thì độ trễ của phương pháp này sẽ là một trở ngại đáng kể dẫn đếnhiện tượng ùn ứ tại đầu bãi giữ xe,thêm vào đó sự lãng phí nguồn nhân lực, bởi phươngpháp này phải cần rất nhiều người để có thể quản lý tốt toàn bộ bãi giữ xe Độ chính xácđôi khi không được đảm bảo, do việc đọc, ghi biển số xe đều do con người thực hiện nênkhông thể tránh khỏi sai sót Độ an toàn thấp, do dùng quá nhiều người nên việc quản lí
Trang 4con người khá phức tạp, hay do việc giám sát cũng là con người nên khó có thể bao quáttốt toàn bộ bãi xe Và đa số vé xe khá đơn giản và dễ nhầm lẫn , việc đối chiếu lúc xe racũng do con người (dễ bị ảnh hưởng các yếu tố chủ quan , nhầm lẫn) nên kẻ gian có thểtráo vé , sửa đổi vé hoặc làm vé giả để qua mặt các nhân viên giữ xe…tốc độ công việckhông cao, do thực hiện việc xe ra vào qua nhiều khâu như đọc biển số, ghi vé, bấm vé,
…Và cuối cùng nhược điểm của phương pháp trên là không có một bằng chứng nào đểlưu giữ những thông tin khi xe ra vào bãi, thời gian ra khỏi bãi, …Do đó khi sự cố xảy ra(mất xe, mất vé xe,…) thì không có thông tin để kiểm tra, đối chiếu Không có khả năngthống kê, tính toán lượng xe ra, vào …
Tóm lại nhược điểm của phương pháp trên là tốc độ và hiệu quả thấp, khả năngquản lý, kiểm soát rất kém Rất dễ xảy ra mất mát tài sản
Xuất phát từ những nhược điểm trên, bài toán được đặt ra là làm thế nào để tănghiệu quả trong việc quản lý giữ xe, với giả thiết ta có thể đặt camera ở vị trí cổng giữ xe,khi có xe vào camera sẽ chụp ảnh biển số Sau khi phân tích và xử lý ảnh chương trìnhmáy tính sẽ lưu giữ lại biển số xe và sẽ in phần vé cho người gởi xe? Phương pháp nàykhắc phục những nhược điểm của phương pháp thủ công, và giai đoạn nhận ảnh từcamera, xử lý, nhận dạng ký tự trên biển số
Trong báo cáo đề tài này sẽ trình bày phương pháp mạng noron nhân tạo trong máyhọc, đây là một phương pháp phổ biến hiện nay được ứng dụng rộng rãi và giải quyếtđược nhiều bài toán máy học và đạt được các kết quả rất tố trong thử nghiệm cũng nhưứng dụng vào thực tế Dựa trên cơ sở lý thuyết của mạng nơron nhân tạo, qua đó giớithiệu bài toán nhận dạng biển số xe; là một ứng dụng có tính hữu ích cao và đang đượcnghiên cứu với rất nhiều phương pháp khác nhau
Trang 5II MẠNG NƠ RON NHÂN TẠO
1 Khái niệm mạng noron
a) Mạng nơ-ron sinh học
Mạng nơ-ron sinh học là một mạng lưới (plexus) các nơ-ron có kết nối hoặc
có liên quan về mặt chức năng trực thuộc hệ thần kinh ngoại biên (peripheralnervous system) hay hệ thần kinh trung ương (central nervous system) Trongngành thần kinh học (neuroscience), nó thường được dùng để chỉ một nhóm nơ-ron thuộc hệ thần kinh là đối tượng của một nghiên cứu khoa học nhất định
Hệ thống thần kinh của con người có thể được xem như một hệ thống gồm
ba tầng:
- Trung tâm của hệ thống là bộ não được tạo nên bởi một mạng lưới thầnkinh, nó lien tục tiếp nhận thông tin, nhận thức thông tin, và thực hiện cácquyết định phù hợp
- Các bộ tiếp nhận bên ngoài bộ não làm nhiệm vụ chuyển đổi các kích thích
từ cơ thể con người hay từ môn trường bên ngoài thành các xung điện; cácxung điện này vận chuyển các thong tin tới mạng lưới thần kinh
- Các bộ tác động có nhiệm vụ chuyển đổi các xung điện sinh ra bởi mạnglưới thần kinh thành các đáp ứng có thể thấy được (dưới nhiều dạng khácnhau), chính là đầu ra của hệ thống
Sơ đồ khối của hệ thống thần kinh
Hai trong số những thành phần cơ bản của bộ não mà chúng ta cần quantâm đến như các yếu tố quyết định khả năng tính toán của bộ não là các tế bào thần
Trang 6kinh (neuron) và các khớp nối thần kinh (synapse) Người ta ước tính rằng có xấp
xỉ 10 tỷ neuron và 60 nghìn tỷ synapse trong vỏ não con người
Các neuron là các đơn vị xử lý thông tin cơ sở của bộ não với tốc độ xử lýchậm hơn từ 5 tới 6 lần các cổng logic silicon Các synapse về cơ bản lả các đơn vịcấu trúc và chức năng làm trung gian kết nối giữa các neuron Kiểu synapse chungnhất là synapse hóa học
Trong bộ não, có một số lượng rất lớn các tổ chức giải phẫu quy mô lớnnhỏ cấu tạo dựa trên cơ sở các neuron và các synapse; chứng được phân thànhnhiều cấp theo quy mô và chức năng đặc thù Cần phải nhận thấy rằng kiểu cấutrúc phân cấp hoàn hảo này là đặc trưng duy nhất của bộ não, chúng không đượctìm thấy ở bất kì nơi nào trong một máy tính số, và không ở đâu chúng ta đạt tớigần sự tái tạo lại chúng Tuy nhiên, hiện nay chúng ta đang tiến hành từng bướcmột trên con đường dần tới một sự phân cấp các mức tính toán tương tự như vậy,gọi là các neuron nhân tạo Các neuron nhân tạo mà chúng ta dùng để thiết kế nêncác mạng neuron nhân tạo thực sự còn rất thô sơ so với những gì được tìm thấytrong bộ não Nhưng với những tiến bộ đáng ghi nhận trên rất nhiều lĩnh vực trongcác thập kỷ vừa qua, chúng ta có quyền hy vọng rằng trong các thập kỷ tới cácmạng neuron nhân tạo sẽ tinh vi hơn nhiều so với hiện nay
b) Khái niệm mạng nơ-ron nhân tạo
Dựa trên nền tảng mạng noron thần kinh của bộ não con người, quá trình mô phỏng
và xây dựng các mạng noron nhân tạo được nghiên cứu và thực hiện nhằm nâng cao tính
“thông minh” cho các thiết bị điện tử, vi tính
Mạng nơ-ron nhân tạo hay thường gọi ngắn gọn là mạng nơ-ron là một mô hình toánhọc hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinh học Nó gồm cómột nhóm các nơ-ron nhân tạo (nút) nối với nhau, và xử lý thông tin bằng cách truyềntheo các kết nối và tính giá trị mới tại các nút (cách tiếp cận connectionism đối với tính
Trang 7toán) Trong nhiều trường hợp, mạng nơ-ron nhân tạo là một hệ thống thích ứng(adaptive system) tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài hay bêntrong chảy qua mạng trong quá trình học.
Trong thực tế sử dụng, nhiều mạng nơ-ron là các công cụ mô hình hóa dữ liệu thống
kê phi tuyến Chúng có thể được dùng để mô hình hóa các mối quan hệ phức tạp giữa dữliệu vào và kết quả hoặc để tìm kiếm các dạng/mẫu trong dữ liệu
Mạng noron có những tính chất và đặc trưng sau:
- Thông tin được xử lý ở các phần tử đơn giản gọi là noron
- Tính hiệu lan truyền giữa các noron thông qua các kết nối (synapse)
- Mỗi kết nối có một trọng số ( được nhân với tín hiệu lan truyền)
- Mỗi noron có một hàm kích hoạt (thường là phi tuyến) tác động lên đầu vào đểtạo thành đầu ra
Trong một mạng noron có 3 kiểu đơn vị:
1) Các đơn vị đầu vào (input units), nhận tín hiệu từ bên ngoài;
2) Các đơn vị đầu ra (Output units), gửi dữ liệu ra bên ngoài;
3) Các đơn vị ẩn (Hidden units), tín hiệu vào và ra của nó nằm trong mạng
Mỗi đơn vị j có thể có một hoặc nhiều đầu vào, x0,x1,…,xn, nhưng chỉ có 1 đầu ra zj.Một đầu vào tới một đơn vị có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra của mộtđơn vị khác, hoặc là đầu ra của chính nó
c) Quá trình hình thành và phát triển noron nhân tạo
Mạng noron nhân tạo được xây dựng từ những năm 1940 nhằm mô phỏng một sốchức năng của bộ não người Dựa trên quan điểm cho rằng bộ não người là bộ điều khiển.Mạng noron nhân tạo được thiết kế tương tự như noron sinh học sẽ có khả năng giảiquyết hàng loạt các bài toán như tính toán tối ưu, điều khiển, công nghệ robot…
Quá trình nghiên cứu và phát triển noron nhân tạo có thể chia thành 4 giai đoạn nhưsau:
Trang 8Giai đoạn 1: Có thể tính từ nghiên cứu của William (1890) về tâm lý học với sự liên kết
các noron thần kinh Năm 1940 Mc Culloch và Pitts đã cho biết noron có thể mô hình hoánhư thiết bị ngưỡng (Giới hạn) để thực hiện cácphép tính logic và mô hình mạng noroncủa Mc Culloch – Pitts cùng với giải thuật huấnluyện mạng của Hebb ra đời năm 1943
Giai đoạn 2: vào khoảng gần những năm 1960, một số mô hình noron hoàn thiện hơn đã
được đưa ra như: Mô hình Perceptron của Rosenblatt (1958), Adalile của Widrow (1962).Trong đó mô hình Perceptron rất được quan tâm vì nguyên lý đơn giản, nhưng nó cũng
có hạn chế vì như Marvin Minsky và Seymour papert của MIT ( Massachurehs Insritute
of Technology) đã chứng minh nó không dùng được cho các hàm logic phức (1969) CònAdaline là mô hình tuyến tính, tự chỉnh, được dùng rộng rãi trong điều khiển thích nghi,tách nhiễu và phát triển cho đến nay
Giai đoạn 3: Có thể tính vào khoảng đầu thập niên 80 Những đóng góp lớn cho mạng
noron trong giai đoạn này phải kể đến Grossberg, Kohonen, Rumelhart và Hopfield.Trong đó đóng góp lớn của Hopfield gồm hai mạng phản hồi: Mạng rời rạc năm 1982 vàmạng liên tục năm 1984 Đặcbiệt, ông đã dự kiến nhiều khả năng tính toán lớn của mạng
mà một nơron không có khả năng đó Cảm nhận của Hopfield đã được Rumelhart, HintonvàWilliams đề xuất thuật toán sai số truyền ngược nổi tiếng để huấn luyện mạng noronnhiều lớp nhằm giải bài toán mà mạng khác không thực hiện được Nhiều ứng dụng mạnh
mẽ của mạng noron ra đời cùng với các mạng theo kiểu máy Boltzmann và mạngNeocognition của Fukushima
Giai đoạn 4: Tính từ năm 1987 đến nay, hàng năm thế giới đều mở hội nghị toàn cầu
chuyên ngành nơron IJCNN (International Joit Conference on Neural Networks) Rấtnhiều công trình được nghiên cứu để ứng dụng mạng nơron vào các lĩnh vực nh ư: Kỹthuật tính, điều khiển, bài toán tối ưu, y học, sinh học, thống kê, giao thông, hoáhọc, Cho đến nay mạng nơron đã tìm và khẳng định đ ược vị trí của mình trong rấtnhiều ứng dụng khác nhau
Trang 92 Mô hình của một mạng nơ-ron nhân tạo
a) Mô hình cấu trúc mộ nơ-ron nhân tạo
Để mô phỏng các tế bào thần kinh và các khớp nối thần kinh của bộ não conngười, trong mạng noron nhân tạo cũng có các thành phần có vai trò tương tự là cácnoron nhân tạo cùng các kết nối synapse
Một noron nhân tạo là một đơn vị tính toán hay đơn vị xử lý thông tin cơ sở chohoạt động của một mạng noron Chúng ta xác định ba thành phần cơ bản của một môhình moron:
- Một tập các synapse hay các kết nối, mà mỗi một trong chúng được đặc trưng bởi mộttrọng số riêng nó Tức là một tín hiệu xj tại đầu vào của synapse j nối với neuron k sẽđược nhân với trọng số synapse wkj Ở đó k là chỉ số của neuron tại đầu ra của synapseđang xét, còn j chỉ điểm đầu vào của synapse Các trọng số của một neuron nhân tạo cóthể nhận cả các giá trị âm và các giá trị dương
- Một bộ cộng để tính tổng các tín hiệu đầu vào của neuron, đã được nhân với các trọng sốsynapse tương ứng; phép toán được mô tả ở đây tạo nên một bộ tổ hợp tuyến tính
- Một hàm kích hoạt (activation function) để giới hạn biên độ đầu ra của neuron Hàm kíchhoạt cũng được xem xét như một hàm né; nó giới hạn phạn vi biên độ cho phép của tínhhiệu đầu ra trong một khoảng giá trị hữu hạn Mô hình neuron còn bao gồm một hệ sốhiệu chính tác độ từ bên ngoài, bk Hệ số hiệu chính bk có tác dụng tang lên hoặc giảm điđầu vào thực của hàm kích hoạt, tùy theo nó dương hay âm
Trang 10Mô hình phi tuyến của một neuron.
Ta có thể mô tả một noron k bằng cặp công thức sau:
- x1,x2,…,xm là các tín hiệu đầu vào
- wk1,wk2,…,wkm là các trọng số synapse của neuron
- uk là đầu ra bộ tổ hợp tuyến tính tương ứng
- bk là hệ số hiệu chỉnhb) Hàm kích hoạt
Hàm kích hoạt, ký hiệu bởi φ (v ), xác định đầu ra của noron Có các kiểu hàm kích hoạt
cơ bản như sau:
1) Hàm ngưỡng: Còn được gọi là hàm Heaviside
Trang 110 v ≤−1
2
3) Hàm sigma: Hàm sigma là dạng chung nhất của hàm kích hoạt, được sử dụng
trong cấu trúc mạng noron nhân tạo, Nó làm một hàm tăng và thể hiện một sựtrung gian giữa tuyến tính và phi tuyến tính Một ví dụ của hàm này là hàmlogistics, xác định như sau:
c) Kiến trúc mạng nơ-ron
Trong bộ não con người, các tế bào thần kinh liên kết với nhau thông qua các khớpnối thần kinh tạo thành những mạng lưới với kiến trúc vô cùng phức tạp và đang dạng.Đối với mạng noron nhân tạo, chúng ta có ba lớp kiến trúc cơ bản sau:
1) Các mạng tiến đơn mức
Trong một mạng noron phân mức, các noron được tổ chức dưới dạng các mức.Dạng đơn giản nhất của mạng phân mức bao gồm một mức đầu vào các nút nguồn chiếutrực tiếp tới mức đầu ra các noron (các nút tính toán) Mạng noron không có chu trìnhđơn giản như trên gọi lại một mạng đơn mức, tức chỉ có một mức là mức đầu ra gồm cácnút tính toán
Trang 12mạng tiến đơn mức
2) Các mạng tiến đa mức
Lớp thứ 2 của một mạng noron tiến được phân biệt bởi sự có mặt của một haynhiều mức ẩn, mà các nút tính toán của chúng được gọi là các noron ẩn hay các đơn vị
ẩn ( “ẩn” mang ý nghĩa là không tiếp xúc với môi trường bên ngoài)
Chức năng của các noron ẩn là can thiệp vào giữa đầu vào và đầu ra của mạng mộtcác hữu hiệu Bằng biệc thêm một vài mức ẩn, mạng có khả năng rút ra được các thống
kê bậc cao của tính hiệu đầu vào Khả năng các noron ẩn rút ra được các thông kệ bậc caođặc biệt có giá trị khi mức đầu vào có kích thước lớn
Mạng tiến đa mức
Trang 133) Các mạng hồi quy
Một mạng noron hồi quy được phân biệt so với các mạng noron không hồi quy ởchỗ là nó có ít nhất 1 vòng lặp phản hồi Ví dụ, một mạng hồi quy có thể bao gồm mộtmức đơn các noron với mỗi noron đưa tín hiệu đầu ra của nó quay trở lại các đầu vào củacác noron khác
Mạng noron tự phản hồi là trường hợp đầu ra của một noron được phản hồi lạichính đầu vào cũng noron đó
Mạng noron hồi quy
4) Mạng học
Chức năngcủa một mạng noron được quết định bởi các nhân tố như: hình trạngmạng ( số lớp, số đơn vị trên mỗi tầng, và cách mà các lớp được liên kết với nhau) và cáctrọng số của các liên kết bên trong mạng Hình trạng của mạng thường là cố định, và cáctrọng số được quyết định bởi một thuật toán huấn luyện (training algorithm) Tiến trìnhđiều chỉnh các trọng số đểmạng “nhận biết” được quan hệgiữa đầu vào và đích mongmuốn được gọi là học (learning) hay huấnluyện (training) Rất nhiều thuật toán học đãđược phát minh để tìm ra tập trọng sốtối ưu làmgiải pháp cho các bài toán Các thuật toán
đó có thểchia làm hai nhóm chính: Học có thầy (Supervised learning) và Học không cóthầy (Unsupervised Learning)
o Học có thầy:
Mạng được huấn luyện bằng cách cung cấp cho nó các cặp mẫu đầu vào và cácđầu ra mong muốn (target values) Các cặp được cung cấp bởi "thầy giáo", hay bởi hệ
Trang 14thống trên đó mạng hoạt động Sự khác biệt giữa các đầu ra thực tế so với các đầu ramong muốn được thuật toán sửdụng để thích ứng các trọng số trong mạng Điều nàythường được đưa ra như một bài toán xấp xỉ hàm số- cho dữ liệu huấn luyện bao gồm cáccặp mẫu đầu vào x, và một đích tương ứng t, mục đích là tìm ra hàm f(x) thoảmãn tấtcảcác mẫu học đầu vào
Mô hình mạng học của các noron
o Học không có thầy:
Với cách học không có thầy, không có phản hồi từ môi trường đểchỉ ra rằng đầu racủa mạng là đúng Mạng sẽ phải khám phá các đặc trưng, các điều chỉnh, các mối tươngquan, hay các lớp trong dữ liệu vào một cách tự động Trong thực tế, đối với phần lớn cácbiến thể của học không có thầy, các đích trùng với đầu vào Nói một cách khác, họckhông có thầy luôn thực hiện một công việc tương tự nhưmột mạng tự liên hợp, cô đọngthông tin từ dữ liệu vào
3 Ứng dụng
Kể từ khi ra đời và phát triển mạng nơron đã được ứng dụng trong rấtnhiều lĩnh vực Do vậy, liệt kê được tất cả các ứng dụng của mạng nơron làkhông thực tế Tuy nhiên, ta có thể đưa ra một số ứng dụng điển hình của mạngnơron như sau:
Trang 15- Xử lý ảnh, nhìn máy: Gồm trùng khớp ảnh, tiền xử lý ảnh, phân đoạn vàphân tích ảnh, nén ảnh,…
- Xử lý tín hiệu: Phân tích tín hiệu địa chấn và hình thái học
- Nhận dạng mẫu: Gồm việc tách các nét đặc biệt của mẫu, phân loại vàphân tích tín hiệu của rada, nhận dạng và hiểu tiếng nói, nhận dạng vântay, lý tự, chữ viết,…
- Y học: Phân tích và hiểu tín hiệu điện tâm đồ, chuẩn đoán bệnh, xử lýảnh y học
- Quân sự: Các hệ phát hiện thủy lôi, phân loại luồng rada, nhận dạngngười nói
- Các hệ tài chính: Gồm phân tích thi trường chứng khoán, định giá bấtđộng sản, cấp phát thẻ tín dụng và thương mại an toàn
- Trí tuệ nhân tạo: Gồm các hệ chuyên gia,…
- Dự đoán: dự đoán các trạng thái của hệ thống,…
- Quy hoạch, kiểm tra và tìm kiếm: Gồm cài đặt song song các bài toánthỏa mãn ràng buộc, tìm nghiệm giải bài toán người du lịch, điều khiểnrobot…
Trang 16- Không có cách tổng quát để đánh giá hoạt động bên trong mạng
- Việc học đối với mạng có thể khó (hoặc không thể) thực hiện
Khó có thể đoán trước được hiệu quả của mạng trong tương lai (khả năngtổng quát hoá)
III ỨNG DỤNG MẠNG NƠRON NHÂN TẠO VÀO BÀI TOÁN
NHẬN DẠNG BIỂN SỐ XE
1 Bài toán xử lý ảnh
a) Kỹ thuật chuyển ảnh sang ảnh mức xám (Gray Level):
Sử dụng camera thu nhận ảnh thì ảnh sẽ là 24 bit màu, do đó dung lượng lưu trữrất lớn và ảnh hưởng đến tốc xử lý ảnh Vì vậy khi thu nhận ảnh, ta sẽ chuyển ảnh vềảnh mức xám ( Gray Scale) 8 bits theo công thức:
Trang 17b) Lược đồ mức xám (Histogram):
Lược đồ mức xám là một hàm cung cấp tần suất xuất hiện của mỗi mức xám(gray-level) trong ảnh Biễu diễn toán học của histogram của một ảnh số có L=256 mứcxám là một hàm rời rạc :
Miền giá trị của p f ( ) [0,1]k
Một cách biễu diễn toán học khác của histogram của một ảnh là số lần xuất hiệncủa mỗi mức xám :
( )k k
Khi lược đồ xám được biễu diễn trong một hệ tọa độ vuông góc x, y (trục hoành xbiễu diễn số mức xám từ 0 đến L -1, trục tung y biễu diễn số điểm ảnh có cùng mức xámhay tỷ lệ số điểm ảnh có cùng mức xám trên tổng số điểm ảnh), thì hình dạng củahistogram của ảnh sẽ mang đến cho chúng ta thông tin về tính động của ảnh (ảnh rất sánghay ảnh rất đậm) dùng làm cơ sở cho việc tăng cường độ tương phản