Файл: Иформационные технологии распознавания изображений.docx

Настройка коэффициентов - это этап обучения. На этом этапе коэффициенты настраиваются так, чтобы алгоритм корректно работал на образцах. Чем больше выборка входных данных, то есть выборки, тем больше вероятность того, что алгоритм примет правильное решение по остальным данным.

Структурные и синтаксические методы. Объект разбирается на элементы. Правило строится в зависимости от наличия / отсутствия отдельных элементов и их последовательностей.

Выбор общей модели функционирования программного обеспечения

В то время как потребность в системах, способных точно идентифицировать изображения, в том числе визуальные, растет, в настоящее время нет подходящей альтернативы системам распознавания, основанным на комбинации методов, которые нейтрализуют существующие недостатки.

Один из важных подходов к проблеме предполагает использование разделяющих функций. В условиях, когда у нас мало априорной информации об узнаваемых образцах, при построении системы распознавания лучше всего использовать процедуру обучения. Высокая сложность задачи, большой объем входных данных требует гибкой системы безопасности, способной анализировать огромный объем информации нетрадиционным способом. Система распознавания на основе нейронных сетей может решить многие проблемы в будущем.

Преимущества нейросетевых систем распознавания образов

Первое преимущество использования нейронных сетей для обнаружения вторжений - это гибкость, которую обеспечивают эти сети. Нейронная сеть способна анализировать данные, даже если эти данные неполные или искаженные, имеет возможность анализировать данные в нелинейном режиме. Более того, возможность обработки данных из большого количества источников в нелинейном режиме особенно важна, поскольку некоторые изображения имеют довольно сложную структуру. А в будущем есть возможность обработки по нескольким значимым параметрам. Поскольку проблема распознавания требует достаточной производительности компьютера, скорость обработки в нейронной сети может быть достаточной для решения в реальном времени, которое может использоваться в динамических системах, в которых требуется распознавание и классификация любых образов.

Характерно, что выходные данные нейронной сети выражаются в виде вероятности, нейронная сеть предоставляет возможность прогнозирования (предсказания). Система обнаружения вторжений, основанная на нейронной сети, определяет вероятность того, что одно событие или серия событий указывают на параметры изображения, которые могут быть отнесены к определенному классу, независимо от разницы между представленным изображением и изображением, хранящимся в база данных. По мере того, как нейронная сеть набирается опыта, она улучшит свою способность определять класс изображения. Однако наиболее важным преимуществом нейронных сетей является способность нейронных сетей узнавать новые характеристики и параметры изображений и выявлять элементы, не похожие на те, что наблюдались ранее.

Нейронную сеть можно обучить распознавать известные классы шаблонов с высокой степенью точности. Хотя это очень ценная способность, поскольку некоторые классы имеют ряд постоянных атрибутов, которые можно использовать для точного определения принадлежности к классу, сеть также может использовать эти знания для определения классов, которые не соответствуют характеристикам предыдущих изображений.

Заключение

В ходе этой работы был создан прототип программного инструмента, который выполняет автоматическое обнаружение вторжений посредством анализа файлов системного журнала.

Разработаны и обоснованы основные принципы построения данного типа программного обеспечения, определены основные направления дальнейшего совершенствования. В процессе разработки было применено значительное количество оригинальных методик и качественно новых решений, некоторые из которых основаны на базовых концепциях современных интеллектуальных систем.

Также был проведен тщательный анализ текущей ситуации в развитии средств обнаружения атак и существующих подходов к обнаружению атак в целом.

Список литературы

Ф. Вассерман, Нейрокомпьютерная инженерия, М., Мир, 1999
Розенблатт Ф. Принципы нейродинамики. Москва: Мир. 1968
Минский М.Л., Пайперт С. Персепроны. Москва: Мир. 1977
Итоги науки и техники: физико-математические модели нейронных сетей, том 1 - М.: ВИНИТИ, 1997
Нейронные сети. STATISTICA Neural Networks: Пер. с англ. - М.: Горячая линия-Телеком, 2000
С.А. Терехов. Лекции по теории и приложениям искусственных нейронных сетей - Снежинск, Лаборатория искусственных нейронных сетей НТО-2, ВНИИТФ 2000
Осовский С. Нейронные сети для обработки информации.: Пер. от польского И.Д. Рудинского. - М.: Финансы и статистика, 2011
Ясницкий Л.Н. Введение в искусственный интеллект: Учебник. Пособие для студентов. выше. изучение. учреждений - М.: Издательский центр Академия, 2014