Нейросетевая модель распознавания английских прописных букв

Введение 3 1 Анализ методов распознавания символов 4 2 Распознавание английских прописных букв с помощью программы DEDUCTOR 7 2.1 Описание программы DEDUCTOR 7 2.2 Подготовка данных для обучения нейросети 9 2.3 Построение нейросетевой модели в среде DEDUCTOR 13 2.4 Тестирование нейронной сети 15 Заключение 21 Список используемой литературы 22

1. Глова В.И. , Аникин И.В. , Катасёв А.С. , Кривилёв М.А. , Насыров Р.И. Мягкие вычисления: Учебное пособие. Казань: Изд-во Казан. гос. техн. ун-та, 2010. 3. Решение задач консолидации, трансформации, очистки и предобработки, Data Mining в аналитической среде Deductor [Электронный ресурс]. 4. Катасёв А.С. Математическое обеспечение и программный комплекс формирования нечетко-продукционных баз знаний для экспертных диагностических систем // Фундаментальные исследования. – 2013. – № 10-9. – С. 1922-1927. 5. Катасёв А.С., Катасёва Д.В. Интеллектуальный анализ временных рядов в системах диагностики и поддержки принятия решений / Поиск эффективных решений в процессе создания и реализации научных разработок в российской авиационной и ракетно-космической промышленности Международная научно-практическая конференция. Казань. – 2014. – С. 481-483. 6. Катасёв А.С., Катасёва Д.В. Разработка нейросетевой системы классификации электронных почтовых сообщений // Вестник Казанского государственного энергетического университета. – 2015. – № 1 (25). – С. 68-78. 7. Катасёв А.С., Катасёва Д.В. Формирование нечетких правил фильтрации нежелательных электронных сообщений в инфокоммуникационных сетях / Проблемы техники и технологий телекоммуникаций ПТиТТ-2014. Оптические технологии в телекоммуникациях ОТТ2014. Материалы Международных на-учно-технических конференций. Казань. – 2014. – С. 320-322. 8. Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Нейросетевая диагностика аномальной сетевой активности // Вестник технологического университета. – 2015. – Т. 18. № 6. – С. 163-167. 9. Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Нейросетевая технология классификации электронных почтовых сообщений // Вестник технологического университета. – 2015. – Т. 18. № 5. – С. 180-183. 10. Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Нейросетевое прогнозирование инцидентов информационной безопасности предприятия // Вестник технологического университета. – 2015. – Т. 18. № 9. – С. 215-218. 11. Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Оценка стойкости шифрующих преобразований моноалфавитной замены с использованием генетического алгоритма // Вестник технологического университета. – 2015. – Т. 18. № 7. – С. 255-259. 12. Катасёв А.С., Катасёва Д.В., Кирпичников А.П., Костюжов С.Г. Нейросетевая модель распознавания пользователей в системах дистанционного обучения // Вестник технологического университета. – 2015. – Т. 18. № 13. – С. 160-163. 13. Катасёв А.С., Катасёва Д.В., Кирпичников А.П., Семенов Я.Е. Спам-фильтрация электронных почтовых сообщений на основе нейросетевой и нейронечеткой моделей // Вестник технологического университета. – 2015. – Т. 18. № 15. – С. 217-220.

Deductor Warehouse – многомерное хранилище данных, аккумулирующее всю требуемую для анализа предметной области информацию. Использование единого хранилища позволяет обеспечить непротиворечивость данных и централизованное хранение, а также автоматически обеспечивает всю необходимую поддержку процесса анализа.