viagra super force

+7(495) 123-XXXX  г. Москва

Выпуски журналов

  • Серия
  • Серия
  • Серия
  • Серия
  • Журнал
  • Журнал
  • Журнал
  • Журнал

Ю.Б. Камалова,  (Аспирант, Ижевский государственный технический университет им. М.Т. Калашникова)

Серия «Естественные и Технические науки» # НОЯБРЬ  2016

Нейронная сеть
Применение нейронных сетей в задачах распознавания изображений зёрен пыльцы, полученных с помощью растрового электронного микроскопа, не относится к классическим задачам, которые традиционно решаются с их помощью, и соответственно, это приводит к возникновению ряда проблем, связанных с выбором архитектуры нейронной сети, подготовкой входных и выходных данных, определением оптимальных алгоритмов обучения. Решение этих вопросов затруднено отсутствием стандартов в данной области и значительным количеством несистематизированных знаний об использовании нейронных сетей в различных отраслях науки и хозяйства. Поэтому перед постановкой задачи реализации распознавания изображений зёрен пыльцы, полученных с помощью растрового электронного микроскопа, целесообразно ознакомиться с классическим применением нейронных сетей и методов их обучения, что позволит в дальнейшем избежать проблем, связанных с особенностями их обучения и функционирования.

Ключевые слова: Нейронная сеть, функционирование, структура, материальный объект, распознавание, обучение искусственного интеллекта.

 

Процедура распознавания зерен пыльцы энтомофильных растений используется в палинологии, апидологии, апимониторинге и аллергодиагностике. Определение принадлежности зерна к виду растения высококвалифицированным оператором – дорогостоящая процедура, но до сих пор являющаяся наиболее точной и эффективной. Впервые применение автоматической системы классификации зерен пыльцы предлагал ввести Джон Фленлей в 1968 году. Однако эта идея была трудноразрешимой в то время из-за технологических ограничений. На сегодняшний день, возможность создания данной системы реальна благодаря успехам компьютерных технологий (в частности, различных задач распознавания – формирования обучающей выборки, обучения системы распознавания, снижения размерности пространства признаков, контроля качества распознавания и др.).

Автоматическое распознавание пыльцы лежит в основе развития полностью автоматизированных систем, которые сочетают отбор проб, осаждения частиц на поверхность, подходящую для оптического анализа, автоматическую подготовку, микроскопические методы визуализации, распознавание и численную концентрацию пыльцы в воздухе. Так как число образцов достаточно ограничено и процесс распознавания должен протекать с возрастающей постепенно точностью, что автоматизация процесса распознавания должна основываться на самообучающихся структурах, которыми являются нейронные сети.

Одной из особенностей нейронных сетей является их способность к обучению. В широком понимании процесс обучения – это адаптация параметров и архитектуры сети для решения поставленной задачи путем оптимизации выбранного критерия качества. Чаще всего к параметрам, которые адаптируются относятся весовые коэффициенты нейронов, реже – архитектура сети и параметры функции активации. Все алгоритмы обучения можно разделить на два больших класса: детерминированные и стохастические. Для алгоритмов первого класса характерно наличие жестких правил действий при адаптации параметров, а для второго характерны действия, которые подчиняются некоторому случайному процессу [7, с. 144].

На сегодня известно три парадигмы обучения нейронных сетей, в основу которых положены особенности машинного обучения: обучение с учителем {supervised learning), обучение без учителя (unsupervised) (или обучение на основе самоорганизации {self-organized)) и обучение с подкреплением {reinforcement learning) [1], на рис. 1 изображено их схематическое представление.

Обучение с учителем предполагает, что для каждого входного вектора (XI) существует вектор выходных значений. Вместе эти два вектора называют учебной парой (XI , ф), а множественное число учебных пар – обучающей выборкой (рис. 1а). Процесс обучения сводится к поочередной подаче на вход нейронной сети учебных пар, вычисление погрешности между действительным и желаемым значением нейронной сети S=y-d и корректировка параметров сети в сторону уменьшения этой погрешности.

Читать полный текст статьи …


СПИСОК ЛИТЕРАТУРЫ:
1. Герасименко М.А. Метод управления узлом сенсорной сети на основе нейронных сетей // В книге: Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского Материалы конференции. Московский институт электроники и математики Национального исследовательского университета «Высшая школа экономики». 2016. С. 144-145.
2. Козлов П.В., Южаков А.А. Преобразование исходного изображения для распознавания нейронной сетью на основе неокогнитрона // Вопросы защиты информации. 2016. № 2 (113). С. 32-34.
3. Лабинский А.Ю., Уткин О.В. К вопросу аппроксимации функции нейронной сетью // Природные и техногенные риски (физико-математические и прикладные аспекты). 2016. № 1 (17). С. 5-10.
4. Ле М.Х. Свёрточная нейронная сеть для решения задачи классификации // Труды Московского физико-технического института. 2016. Т. 8. № 3 (31). С. 91-97.
5. Мазуров М.Е. Распознавание сложных объектов избирательными нейронными сетями // В книге: XIV Всероссийская научная конференция «Нейрокомпьютеры и их применение» Тезисы докладов. Под редакцией А.И. Галушкина, А.В. Чечкина, Л.С. Куравского, С.Л. Артеменкова, Г.А. Юрьева, П.А. Мармалюка, А.В. Горбатова, С.Д. Кулика. 2016. С. 60-61.
6. Ольшанский А.М., Игнатенков А.В. О решении задачи управления искусственной нейронной сетью при квазипериодическом характере поведения сигнала ошибки // В сборнике: Перспективные информационные технологии труды Международной научно-технической конференции. 2016. С. 635-638.
7. Павлова А.И., Бобрикова К.А. Сравнение алгоритмов распознавания образов нейронными сетями Хопфилда // В мире научных открытий. 2016. № 5 (77). С. 134-145.
 



© 
Ю.Б. Камалова, Журнал "Современная наука: актуальные проблемы теории и практики".
 

 

 

 
SCROLL TO TOP

 Rambler's Top100 @Mail.ru