No description available.

No description available.

Искусственные нейронные сети – это концепция, которая исследуется с середины XX века, но до сих пор но только сейчас они переживают очень высокий темп роста. Благодаря значительным улучшениям в их поведения, за последние годы их использование перешло от использования только в академических целях до полностью внедрено и функционирует в нашей жизни. Эти нейронные сети являются системами, которые используются во многих различных приложениях в настоящее время. Таким образом, это дает нам главная особенность нейронных сетей: эти системы легко построить, самая большая проблема заключается в реализации алгоритма обучения, который состоит из следующих элементов алгоритм обучения, который состоит из нескольких очень простых итеративных математических операций (даже меньше, если мы используем и, в тоже время, это очень мощные системы. / Artificial neural networks are a concept that has been researched since the middle of the 20th century, but until now, but only now, they are experiencing a very high rate of growth. Due to significant improvements in their behavior, in recent years their use has gone from being used for academic purposes only to being fully implemented and functioning in our lives. These neural networks are systems that are used in many different applications nowadays. Thus, this gives us the main feature of neural networks: these systems are easy to build, the biggest problem is to implement a learning algorithm, which consists of the following elements, a learning algorithm that consists of several very simple iterative mathematical operations (even less if we use and At the same time, these are very powerful systems.

Работа посвящена обзору и выбору программного обеспечения для разработки модифицированных чат-бот приложений. В ней рассматриваются основные преимущества и описание процесса разработки чат-ботов. В работе используются передовые методы, алгоритмы и сценарии из области машинного обучения и искусственного интеллекта для формирования релевантного ответа чат-бота. / The work is devoted to the review and selection of software for the development of modified chatbot applications. It discusses the main benefits and describes the process of developing chatbots. The work uses advanced methods, algorithms, and scenarios from the field of machine learning and artificial intelligence to form a relevant chatbot response.

Актуальность магистерской диссертации заключается в использовании нейронных сетей для решения плохо формализованных задач в интеллектуальном анализе данных. Рост объемов информации, а также расширение круга технически сложных задач принятия решений требуют систематизации существующих методов и разработки новых методик и алгоритмов решения. В магистерской диссертации рассматривается возможность применения нейронной сети при решении задачи распознавания эмоций человека. Основной целью работы является выбор информационной модели нейросети и реализация алгоритма распознавания двигательной активности лица. Нейронная сеть должна быть оптимальна по внутренней структуре, способу управления информационными потоками между нейронами. Выбранная информационная модель будет использована для решения практической задачи. Основными задачами диссертационной работы являются: 1) Изучение существующих видов искусственных интеллектуальных систем, а также методов их функционирования. 2) Изучение основных видов информационных моделей искусственных нейронных сетей. Выбор оптимальной информационной модели нейронной сети для решения задачи распознавания эмоций. 3) Изучение существующих методов распознавания мимики и выделение универсальных методов среди них. 4) Реализация и описание алгоритма распознавания двигательной активности лица и решение практической задачи. Объектом данного исследования являются подходы, методы распознавания мимических выражений. Предметом исследования являются информационные модели искусственных нейронных сетей, а также описание алгоритма распознавания двигательной активности лица для решения практической задачи Научная новизна магистерской диссертации заключается в использовании технологий нейросетей (информационных моделей), а также системы двигательной активности лица для реализации алгоритма распознавания эмоций человека. Практическая значимость диссертационной работы: результаты работы могут быть использованы при решении задач интеллектуального анализа данных, в решении сложных технических задач видеоанализа. Результаты работы предполагают последующую реализацию собственной методики распознавания двигательной активности лица. / In the master's thesis, the possibility of using a neural network for solving the problem of recognizing human emotions is considered. The growth of information and expansion of the range of technically complex decision-making problems require the systematization of the existing methods and develop new methods and algorithms. The main goal of the work is the choice of the information model of the neural network and the implementation of the algorithm for recognizing the motor activity of the human face. The practical significance of the work is that the results of the work can be used in solving problems of data mining, in solving complex technical problems of video analysis. The results suggest the subsequent implementation of the recognition techniques of the motor activity of a human face.

Цель работы – разработка автоматической системы распознавания номерных знаков автомобилей, в естественных дорожных условиях, в том числе в сложных погодных и физических условиях, таких как недостаточная видимость, загрязнение, умышленное или непреднамеренное частичное скрытие символов. Объектом исследования являются цифровые изображения автомобилей в естественной среде. Методы исследования: сверточные нейронные сети, в том числе одноэтапные детекторы (SSOD), комбинации сетей с промежуточными связями между слоями - Cross Stage Partial Network (CSPNet) и сети, объединяющей информацию с разных уровней сети – Path Aggregation Network (PANet), преобразования изображений с помощью библиотеки OpenCV, включая фильтры Собеля и Гауса, преобразование Кэнни, методы глубокого машинного обучения для обработки последовательностей LSTM, CRNN, CRAFT. В рамках данной работы разработана система распознавания автомобильных номеров, переводящая графические данные из цифрового изображения или видеопотока в текст в виде файлов различных форматов. Задача детекции автомобильных номеров на изображениях решена с помощью глубокой нейронной сети YoLo v5, представляющая собой современную модель обнаружения объектов, основанную на архитектуре с использованием CSPNet и PANet. Она обеспечивает высокую скорость и точность при обнаружении объектов на изображениях. Благодаря своей эффективности и масштабируемости, YoLov5 стала популярным выбором для решения задач компьютерного зрения в различных областях. Для решения задачи распознавания текса на обнаруженных объектах используется алгоритм детектирования объектов, основанный на преобразованиях Кэнни, фильтрах Собеля и Гаусса и нейронная сеть keras-ocr, на основе фреймворка keras, представляющая собой комбинацию сверточной нейронной сети (CNN) и рекуррентной нейронной сети (RNN), решающая задачу распознавания печатного текста. Созданный метод способен безошибочно распознавать 85 % предоставленных номеров, преимущественно российского стандарта. Полученный функционал может быть внедрен в существующую системы фото- или видео-фиксации трафика и использоваться в рамках цифровизации систем трекинга и контроля доступа и безопасности на дорогах и объектах транспортной инфраструктуры. Выпускная квалификационная работа в теоретической и описательной части выполнена в текстовом редакторе Microsoft Word и представлена в электронном формате. Практическая часть выполнялась в jupiter-ноутбуке на платформе облачных вычислений Google Collaboratory. / The goal of the work is to develop an automatic system for recognizing car license plates in natural road conditions, including difficult weather and physical conditions, such as insufficient visibility, pollution, intentional or unintentional partial hiding of symbols. The object of the study is digital images of cars in their natural environment. Research methods: convolutional neural networks, including single-stage detectors (SSOD), combinations of networks with intermediate connections between layers - Cross Stage Partial Network (CSPNet) and networks that combine information from different levels of the network - Path Aggregation Network (PANet), image transformations using the OpenCV library, including Sobel and Gauss filters, Canny transform, deep machine learning methods for processing LSTM, CRNN, CRAFT sequences. As part of this work, a license plate recognition system has been developed that converts graphic data from a digital image or video stream into text in the form of files in various formats. The problem of detecting license plates in images is solved using the YoLo v5 deep neural network, which is a modern object detection model based on an architecture using CSPNet and PANet. It provides high speed and accuracy in detecting objects in images. Due to its efficiency and scalability, YoLov5 has become a popular choice for solving computer vision problems in various fields. To solve the problem of text recognition on detected objects, an object detection algorithm is used, based on Canny transforms, Sobel and Gaussian filters, and the keras-ocr neural network, based on the keras framework, which is a combination of a convolutional neural network (CNN) and a recurrent neural network (RNN) , which solves the problem of recognizing printed text. The created method is capable of accurately recognizing 85% of the provided numbers, mainly of the Russian standard. The resulting functionality can be implemented into existing systems for photo or video recording of traffic and used as part of the digitalization of tracking systems and access control and security on roads and transport infrastructure facilities. The final qualifying work in the theoretical and descriptive parts was completed in the text editor Microsoft Word and presented in electronic format. The practical part was carried out on a jupiter laptop on the Google Collaboratory cloud computing platform.