Резюме:

В данной работе построено отображение множества объектов на множество векторов ошибок распознавания объектов модульной нейронною сетью, которое позволяет связать классификацию объектов с анализом векторов в пространстве ошибок. Векторный критерий позволяет группировать объекты, распознавать, сравнивать и анализировать их. В работе обоснованы и развиты методы теории модульных нейронных сетей применительно к решению задачи распознавания объектов с использованием критерия близости распознаваемых объектов в пространстве ошибок распознавания.

Ключевые слова: пространство ошибок, распознавание образов, векторный критерий, Модульная нейронная сеть

Интеллектуальные системы и технологии

УДК 004.032.26:004.8

Четырбок П. В., канд. техн. наук, ст. преп.

Гуманитарно-педагогическая академия (филиал)

 ФГАОУ ВО "КФУ им. В. И. Вернадского" в г. Ялте

РАСПОЗНАВАНИЕ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ МОДУЛЬНЫХ НЕЙРОННЫХ СЕТЕЙ

Постановка проблемы. Построить  модульную нейронную сеть для отображения множества распознаваемых образов (векторов параметров образов) на множество векторов ошибок распознавания образов нейронною сетью, которое позволяет связать классификацию  образов с анализом векторов в пространстве ошибок.

Концепция модульности нейронных сетей. Для описания сложных систем распознавания объектов применяются тысячи показателей. Число экспериментальных наблюдений по каждому показателю составляет до несколько тысяч. Это выдвигает проблемы перед технологиями реконструктивного анализа сложных систем. Современная методология реконструктивного анализа основана на конструктивной процедуре индукции, обеспечивающей развитие первоначально отобранных простых структур в конечные результативные структуры большой сложности. Модульность нейронной сети позволяет выполнить иерархическую декомпозицию сложной задачи в ряд более простых подзадач, а соответствующая структура сети может быть оптимизирована под конкретную задачу, то есть нейронная сеть может служить средством моделирования структуры данных. Структурный анализ модульной сети инвариантен внутреннему устройству модулей. Вместо нейронного модуля может быть звено системы автоматического регулирования или узел коммутационной системы. Техническая реализация больших и сверхбольших нейронных сетей на современных универсальных компьютерах имеет модульную распределенную структуру, поскольку технически невозможно реализовать сверхбольшую нейронную сеть на одном процессоре. При программной реализации быстродействие модульных сетей зависит от выбранной структуры. Это качество делает перспективным использование модульных нейронных сетей в системах реального времени, которой и является система распознавания объектов. Использование технологии сверхбольших интегральных схем (СБИС) для реализации нейронных сетей приводит к необходимости разделения нейронных сетей на однородные фрагменты. Размер фрагмента определяется площадью кристалла, энергопотреблением, числом внешних выводов. Проблема выводов, возникшая при реализации кристалла, продолжается и при построении схем соединений между ними. Таким образом  возникает задача разбиения нейронной сети на модули с ограниченным числом исходящих связей. Данную задачу решает  построение модулей нейронной сети, обученных с использованием  критерия близости образов в пространстве ошибок. Предложен метод перехода из пространства параметров объектов в пространство ошибок их распознавания с помощью нейронной сети, где   – размерность пространства параметров объектов,   – количество нейронов в скрытом слое,  – количество нейронов выходного слоя, определяющего количество классов классификации объектов. Нейронная сеть обучается на выборке, состоящей из эталонных объектов типичных представителей классов объектов электрооптических изображений. Для эталонных пар (объект, образ объекта) вычисляются значения каждой координаты вектора ошибок , в котором  – среднеквадратическая ошибка,  – линейная ошибка сети,  – максимальная ошибка поразрядного отклонения образа от эталона  по таким формулам:       

,

,,

где  – реальное выходное состояние нейрона  выходного слоя НС при подаче на ее входы образа,  – идеальное (желаемое) выходное состояние этого нейрона.

 Каждому образу, распознаваемому многослойным персептроном в многофакторном пространстве ошибок соответствует свой вектор ошибок. В докладе построено решающее правило для классификации образов в виде утверждения: каждому образу, распознаваемому многослойным персептроном в многофакторном пространстве ошибок будет соответствовать свой вектор ошибок и образ  ближе к эталону, чем больше  cos(λ).

,

где E- вектор ошибок в пространстве ошибок, полученный при распознавании нейронной сетью  входного образа, X- вектор весовых коэффициентов выходного слоя, полученный при обучении сети. Предложенное решающее правило (критерий для распознавания образов) позволяет создать структуру модульной нейронной сети.  Для обучения модульной нейронной сети в работе используются локальные методы, что позволяет увеличить скорость обучения и поэтому они могут использоваться в системах реального времени.

    Использование векторного критерия позволяет разработать универсальный алгоритм обучения модульных нейронных сетей для распознавания объектов. Векторный критерий позволяет в обучающей выборке среди эталонных образцов выбрать опорные вектора для машины опорных векторов.

    Для коммутации модулей нейронной сети используется метод МГУА (метод группового учета аргументов). Исходя из принципа множественности моделей метода МГУА, выборка для МГУА состоит из опорных векторов на которых F=1. Необходимы дальнейшие исследования векторного критерия, а именно введение координаты времени, тем самым формированием массива векторных критериев с задержкой по времени, что позволит распознавать объекты в динамике. Блоки модулей нейронных сетей (процессорных элементов), коммутированных с помощью метода МГУА можно использовать для формирования базы знаний для механизма нечетких выводов, который используется в разных экспертных и управляющих системах.

Выводы.

1.  Модульность нейронной сети позволяет выполнить иерархическую декомпозицию сложной задачи в ряд более простых подзадач, а соответствующая структура сети может быть оптимизирована под конкретную задачу.

2.  Биологические нейронные сети имеют модульную организацию. Модульная идеология искусственных сетей позволяет продвинуться в понимании структурной организации мозга и механизмов мышления человека.

3.  При программной реализации быстродействие модульных сетей изменяется в широких пределах в зависимости от выбранной структуры. Выбранная в работе структура решает задачу структурного синтеза быстрых нейронных сетей, обладающих в то же время высокой эффективностью при распознавании объектов.

4.  Использование технологии сверхбольших интегральных схем (СБИС) для реализации нейронных сетей приводит к необходимости разделения нейронных сетей на однородные фрагменты. Размер фрагмента определяется площадью кристалла, энергопотреблением, числом внешних выводов. Данную задачу решает  построение модулей нейронной сети, обученных с использованием  критерия близости образов в пространстве ошибок.

Библиографический список

1.  Хайкин Саймон Нейронные сети: полный курс, 2-е издание. : Пер. с англ. – М. :  Издательский дом «Вильямс», 2006. – 1104 с.

2.   Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. –К.: Издательский дом «Слово», 2008. – 344 с.

3.  Дорогов А.Ю.  Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей. - СПб.: «Политехника», 2014, 328 с.

4.   Четырбок П.В. Построение решающего правила для классификации образов на основе векторов ошибок  / П.В. Четырбок // Системні дослідження та інформаційні технології. – Київ, 2013. – №2. – С. 114 – 120.

В данной работе построено  отображение множества  образов на множество векторов ошибок распознавания образов модульной нейронною сетью, которое позволяет связать классификацию  образов с анализом векторов в пространстве ошибок. Векторный критерий позволяет группировать образы, распознавать, сравнивать и анализировать их.  В работе обоснованы и развиты методы теории модульных нейронных сетей применительно к решению задачи распознавания объектов с использованием критерия близости распознаваемых образов в пространстве ошибок распознавания. Сформулирован векторный критерий близости образов объектов  в пространстве ошибок. Предложен алгоритм перехода из пространства параметров объектов в пространство ошибок распознавания образов. Построено оптимальное решающее правило для классификации образов объектов с использованием векторного критерия близости распознаваемых образов в пространстве ошибок распознавания. Полученные в работе результаты, наглядно демонстрируют эффективность использования разработанных моделей, методов и алгоритмов для решения задач распознавания объектов.

Ключевые слова: модульная нейронная сеть, векторный критерий, распознавание образов, пространство ошибок.

Четырбок Пётр Васильевич РАСПОЗНАВАНИЕ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ МОДУЛЬНЫХ НЕЙРОННЫХ СЕТЕЙ // . – . – № ;
URL: istmu2016.csrae.ru/ru/0-18 (дата обращения: 04.05.2024).

Сегодня: 421 | За неделю: 421 | Всего: 421

Комментарии (0)