Отрывок: Вторая содержит классы, участвующие во взаимодействии системы с внешними по отношению к ней объектами: пользователем и источником внешних данных для случая получения данных из базы данных (БД). Таким образом, на данной диаграмме находятся классы, отвечающие за пользовательский интерфейс и интерфейс связи с БД. Диаграмма классов может быть построена как на этапе логического, так и на этапе физического проектирования. В данном случае нас ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorРоманов Д. А.ru
dc.contributor.authorСевостьянова В. В.ru
dc.contributor.authorСоловьева Я. В.ru
dc.contributor.authorМинистерство науки и высшего образования Российской Федерацииru
dc.contributor.authorСамарский национальный исследовательский университет им. С. П. Королева (Самарский университет)ru
dc.contributor.authorИнститут информатикиru
dc.contributor.authorматематики и электроникиru
dc.coverage.spatialпечатные символыru
dc.coverage.spatialфункция Фермиru
dc.coverage.spatialалгоритм обратного распространения ошибкиru
dc.coverage.spatialавтоматизированные системыru
dc.coverage.spatialмногослойный персептронru
dc.coverage.spatialгиперболический тангенсru
dc.coverage.spatialнейронные сетиru
dc.coverage.spatialнейросетевые методыru
dc.coverage.spatialнейросетевая классификацияru
dc.creatorРоманов Д. А.ru
dc.date.issued2020ru
dc.identifierRU\НТБ СГАУ\ВКР20201013161714ru
dc.identifier.citationРоманов, Д. А. Автоматизированная система нейросетевой классификации печатных символов : вып. квалификац. работа по направлению подгот. 09.03.01 "Информатика и вычислительная техника" (уровень бакалавриата) / Д. А. Романов ; рук. работы В. В. Севостьянова ; нормоконтролер Я. В. Соловьева ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информа. - Самара, 2020. - on-lineru
dc.description.abstractЦелью работы является автоматизация процесса распознавания печатных символов и классификации их с помощью нейронной сети обратного распространения ошибки. Рассмотрены существующие системы анализа нейросетевых методов распознавания. Изучены алгоритмы обучения нейронных сетей с использованием метода обратного распространения ошибки, способырешения задач распознавания и классификации с помощью нейронных сетей. Разработан информационно-логический проект системы с использованием методологии UML.Разработана и реализована автоматизированная система нейросетевой классификации печатных символов с помощью многослойного персептрона.Разработан пример распознавания печатных символов с изображения многослойным персептроном с помощью разработанной системы. Рассчитан экономический эффект от внедрения автоматизированной системы.Произведена оценка условий труда пользователей системы.ru
dc.format.extentЭлектрон. дан. (1 файл : 2,0 Мб)ru
dc.titleАвтоматизированная система нейросетевой классификации печатных символовru
dc.typeTextru
dc.subject.rugasnti50.01ru
dc.subject.udc004.032.26ru
dc.textpartВторая содержит классы, участвующие во взаимодействии системы с внешними по отношению к ней объектами: пользователем и источником внешних данных для случая получения данных из базы данных (БД). Таким образом, на данной диаграмме находятся классы, отвечающие за пользовательский интерфейс и интерфейс связи с БД. Диаграмма классов может быть построена как на этапе логического, так и на этапе физического проектирования. В данном случае нас ...-
Располагается в коллекциях: Выпускные квалификационные работы

Файлы этого ресурса:
Файл Размер Формат  
Романов_Дмитрий_Алексеевич_Автоматизированная_система_нейросетевой_классификации.pdf2.02 MBAdobe PDFПросмотреть/Открыть  
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.