1 ВЪВЕДЕНИЕ
1.1 СЪЩНОСТ НА РАЗПОЗНАВАНЕТО И КЛАСИФИКАЦИЯТА
1.2 КАКВО Е ИНМ
1.3 ПРЕДИМСТВА НА ИНМ
1.3.1 Нелинейност
1.3.2 Съпоставянето Вход-Изход (класификация)
1.3.3 Адаптивност
1.3.4 Точност на отговора
1.3.5 Глобалност на информация
1.3.6 Устойчивост от грешка
1.3.7 Биологична аналогия
1.4 НЕВРОНЪТ – ГРАДИВНА ЕДИНИЦА НА НМ
1.4.1 Биологичен неврон
1.4.2 Изкуствен неврон
1.5 КЛАСИФИКАЦИЯ НА НМ
1.6 ФАЗИ НА РАБОТА НА НМ ПРИ РАЗПОЗНАВАНЕ
1.6.1 Обучение – класификация
1.6.2 Обработка на данни – разпознаване
1.7 АРХИТЕКТУРИ НА НМ
1.7.1 Еднослойна права НМ
1.7.2 Многослойна права НМ
1.7.3 НМ с обратна връзка - рекурентна
1.8 ПРЕДСТАВЯНЕ НА ЗНАНИЯ В ИНМ И НАЧИНИ НА ОБУЧЕНИЕ
1.8.1 Обучение с обратно разпространение на грешката
1.8.2 Обучение на Хеб
1.8.3 Съзтезателно обучение
1.9 БД ЗА СЪХРАНЕНИЕ НА ИФОРМАЦИЯТА ЗА НМ
1.10 ОБОБЩЕНИЕ
2 СЪЩНОСТ НА НМ ЗА РАЗПОЗНАВАНЕ НА ПОДПИСИ
2.1 ОБЩИ ПРОБЛЕМИ ПРИ НМ ЗА РАЗПОЗНАВАНЕ И КЛАСИФИКАЦИЯ
2.1.1 Представяне на входните сигнали
2.1.2 Оценъчна функция
2.1.3 Структура и размер на мрежата
2.1.4 Коефициент на обучение
2.1.5 Начална инициализация на теглата
2.2 СПЕЦИФИЧНИ ПРОБЛЕМИ ПРИ НМ ЗА РАЗПОЗНАВАНЕ НА ПОДПИСИ
3 ПРОГРАМНА СРЕДА И РЕАЛИЗАЦИЯ НА НМ И БД
3.1 АЛГОРИТЪМ ЗА СЪЗДАВАНЕ НА НМ
3.2 АЛГОРИТЪМ ЗА НАЧАЛНА ИНИЦИАЛИЗАЦИЯ НА ТЕГЛАТА
3.3 АЛГОРИТЪМ ЗА ОБУЧЕНИЕ НА НМ
3.4 АЛГОРИТЪМ ЗА РАЗПРОСТРАНЕНИЕ НА СИГНАЛА НАПРЕД
3.5 АЛГОРИТЪМ ЗА РАЗПРОСТРАНЕНИЕ НАЗАД НА СИГНАЛА НА ГРЕШКАТА
3.6 АЛГОРИТЪМ ЗА РАЗПРОСТРАНЕНИЕ НА СИГНАЛА НАПРЕД В ЕДИН НЕВРОН
3.7 АЛГОРИТЪМ ЗА РАЗПРОСТРАНЕНИЕ НАЗАД НА СИГНАЛА НА ГРЕШКАТА В ЕДИН НЕВРОН
3.8 АЛГОРИТЪМ ЗА ОБУЧЕНИЕ НА ЕДИН НЕВРОН
3.9 АЛГОРИТЪМ ЗА СЪХРАНЕНИЕ
3.10 ПРОГРАМНИ СТРУКТУРИ ЗА СИМУЛАЦИЯ НА НМ
4 ЗАКЛЮЧЕНИЕ
5 ПРИЛОЖЕНИЕ – ТЕСТОВИ ПРИМЕРИ
5.1 ТЕСТ1
5.2 ТЕСТ2
6 ПРИЛОЖЕНИЕ – РАЗПЕЧАТКА НА ПРОГРАМАТА
7 ПРИЛОЖЕНИЕ - СЪКРАЩЕНИЯ И СИМВОЛИ
8 ПРИЛОЖЕНИЕ - ЛИТЕРАТУРА