УДК 007

АЛГОРИТМ РЕАЛИЗАЦИИ МЕТОДА БЛИЖАЙШЕГО СОСЕДА В МНОГОСЛОЙНОМ ПЕРСЕПТРОНЕ

П.Ш. Гейдаров

Аннотация


Известно, что технология реализации задач распознавания и принятия решений на основе классических нейронных сетей имеет ряд сложностей, среди которых необходимость наличия значительной по объему обучающей выборки; длительность и сложность алгоритмов обучения; сложности с выбором параметров структуры сети, таких как количество нейронов, слоев, связей, а также способа соединения нейронов; возможные сбои и не удачи во время обучения с необходимостью повторных изменений параметров сети и повторного обучения. В данной работе рассматривается возможность создания на основе алгоритмов метрических методов распознавания, в частности на основе алгоритма ближайшего соседа, многослойного персептрона с полной системой связей и с пороговой функцией активации. Такая возможность позволяет в итоге создать полносвязный многослойный персептрон, такие параметры которого, как количество нейронов, слоев, а также значение весов и порогов определяются аналитически. Также рассмотрена закономерность, определяющая распределение весовых и пороговых значений для второго и третьего слоя полученного многослойного персептрона, на основе которого предложен алгоритм вычисления пороговых и весовых значений многослойного персептрона, а также приведен пример, реализующий данный алгоритм. Также рассмотрены возможные применения полученных сетей для разных задач.

Ключевые слова


архитектуры нейронных сетей; метод ближайшего соседа; многослойный персептрон; обучение нейронных сетей; линейные нейронные сети; обучающая выборка

Полный текст:

PDF

Литература


  1. Азаров И.С., Петровский А.А. Формирование персональной модели голоса диктора с универсальным фонетическим пространством признаков на основе искусственной нейронной сети // Труды СПИИРАН. 2014. Вып. 5(36). С. 128–151.
  2. Голов Д.В., Красовская Л.В. Нейронные сети и распознание рукописных цифр на основе искусственных нейронных сетей // Исследования технических наук. 2014. № 4(14). С. 18–20.
  3. Будко Р.Ю., Старченко И.Б. Создание классификатора мимических движений на основе анализа электромиограммы // Труды СПИИРАН. 2016. № 3(46). С. 76–89.
  4. Егорова Е.Г., Мусаев А.А. Система диагностики процесса агломерации // Труды СПИИРАН. 2012. Вып. 3(22). С. 249–259.
  5. Ле Т.Ч. Сравнение нейронной сети смас и многослойной нейронной сети в задаче обнаружения dos-атак // Нейрокомпьютеры: разработка, применение. 2016. № 7. С. 65–69.
  6. Посягин А.И., Южаков А.А. Разработка двухслойной нейронной сети для само маршрутизирующегося аналого-цифрового преобразователя на основе нейронной сети // Электротехника. 2013. № 11. С. 10–13.
  7. Синчук О.Н., Бойко С.Н. Нейронные сети и управление процессом управления электроснабжением объектов от комбинированных электрических сетей // Технiчна електродинамiка. 2014. № 5. С. 53–55.
  8. Тимофеев А.В., Дерин О.А. Принципы построения иерархических нейросетей для анализа мульти - изображений // Труды СПИИРАН. 2009. № 10. С. 160–166.
  9. Титов А.И. Использование нейросетевой аппроксимации при оценке трудоемкости разработки программного обеспечения // Труды СПИИРАН. 2016. Вып. 1(44). С. 20–30.
  10. Уоссермэн Ф. Нейрокомпьютерная техника. Теория и практика // М.: Мир. 1992. 184 с.
  11. Mehra P., Wah B.W. Artificial Neural Networks: Concepts and Theory // IEEE Computer Society Press. 1992. vol. 680.
  12. Головко В.Л. Нейронные сети: обучение, организация и применение // М.: ИПРЖР. 2001. 256 c.
  13. Биргер И.А. Техническая диагностика // М.: Машиностроение. 1978. 240 c.
  14. Geidarov P.Sh. Neural Networks on the Basis of the Sample Method // Automatic Control and Computer Sci. New York: Alerton Press. 2009. vol. 43. no. 4. pp. 203–210.
  15. Geidarov P.Sh. Multitasking application of neural networks implementing metric methods of recognition // Autom. Remote Control. 2013. vol. 74. no. 9. pp. 1474–1485.
  16. Гейдаров П.Ш. Нейронные сети на основе метрических методов распознавания в применении к задачам с нечеткими выводами // Искусственный интеллект и принятие решений. Москва. 2010. №2. С. 77–88.
  17. Васин Д.Ю., Аратский А.В. Распознавание символов на основе инвариантных моментов графических изображений // 25 международная конференция GraphiCon 2015. Москва. 2015. С. 259–264.


Полад Шахмалы Гейдаров - к-т техн. наук, доцент, ведущий научный сотрудник, Институт системного анализа Национальной академии наук Азербайджана (НАНА).
Область научных интересов: распознавание образов и сигналов, нейронные сети, обработка изображений, электронное правительство, электронная наука..
Число научных публикаций: 28.

Адрес (E-mail): plbaku2010@gmail.com
Почтовый адрес: ул. Бахтияр Вагабзаде, 9, Баку, AZ 1141
Телефон: +994507225694




DOI: http://dx.doi.org/10.15622/sp.51.6