levitra bitcoin

+7(495) 123-XXXX  г. Москва

 

 

 

 

 

ВАС ПРИВЕТСТВУЕТ

VIP Studio ИНФО

 

Публикация Ваших Материалов

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Phasellus rutrum, libero id imperdiet elementum, nunc quam gravida mi, vehicula euismod magna lacus ornare mauris. Proin euismod scelerisque risus. Vivamus imperdiet hendrerit ornare.

Верстка Полиграфии, WEB sites

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Phasellus rutrum, libero id imperdiet elementum, nunc quam gravida mi, vehicula euismod magna lacus ornare mauris. Proin euismod scelerisque risus. Vivamus imperdiet hendrerit ornare.

Книжная лавка

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Phasellus rutrum, libero id imperdiet elementum, nunc quam gravida mi, vehicula euismod magna lacus ornare mauris. Proin euismod scelerisque risus. Vivamus imperdiet hendrerit ornare.

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