Метод кодування вихідного сигналу нейромережевих моделей
| Autor: | Terejkowski, Igor A., Tereikovska, Ludmila O. |
|---|---|
| Jazyk: | ukrajinština |
| Rok vydání: | 2017 |
| Předmět: |
Information technology
system analysis and guidance Інформаційні технології системний аналіз та керування Neural network Standard Encoding method Output signal Информационные технологии системный анализ и управление Нейронная сеть Эталон Метод кодирования Исходящий сигнал Нейронна мережа Еталон Метод кодування Вихідний сигнал |
| Zdroj: | Наукові вісті КПІ; № 5 (2017): ; 59-64 Научные вести КПИ; № 5 (2017): ; 59-64 Research Bulletin of the National Technical University of Ukraine "Kyiv Politechnic Institute"; № 5 (2017): Engineering; 59-64 |
| ISSN: | 1810-0546 2519-8890 |
| Popis: | Background. A significant drawback of the technology of creating modern neural network models based on the multilayer perceptron is that when the parameters of the case studies are encoded, the expected output signal correlation with the similarity of the class standards to be recognized is not taken into account.Objective. The aim of the paper is the development of the method for encoding the output of the case studies, which ensures the reflection of the similarity of the class standards to be recognized.Methods. The encoding method is based on a probabilistic neural network, in which case studies the expected output signal is determined not by numerical form but by the class name to be recognized. At the same time, when recognizing, it is possible in the numerical form of the output signal of the network to show the similarity of the input image to each class that was laid in it during the training.Results. The encoding method has been developed, which, due to the use of the probabilistic neural network, allows us to consider the similarity of the class standards to be recognized in the expected output signal of the case studies.Conclusions. The proposed method allows reducing the number of training iterations 1.3–1.5 times to achieve a tolerable learning error within 1 %. Проблематика. Важный недостаток технологии создания современных нейросетевых моделей на базе многослойного персептрона заключается в том, что при кодировании параметров учебных примеров не учитывается корреляция ожидаемого исходящего сигнала с близостью эталонов классов, которые должны быть распознаны.Цель исследования. Разработка метода кодирования исходящего сигнала учебных примеров, обеспечивающего отображение близости эталонов классов, которые должны быть распознаны.Методика реализации. Метод кодирования базируется на вероятностной нейронной сети, в учебных примерах которой ожидаемый исходящий сигнал определяется не в числовом виде, а названием класса, который должен быть распознан. В то же время при распознавании в исходящем сигнале сети возможно в числовом виде отобразить близость входящего образа к каждому классу, который был заложен в нее при обучении.Результаты исследования. Разработан метод кодирования, который за счет использования вероятностной нейронной сети позволяет учесть в ожидаемом исходящем сигнале учебных примеров близость эталонов классов, которые должны быть распознаны.Выводы. Использование предложенного метода позволяет в 1,3–1,5 раза уменьшить количество учебных итераций для достижения допустимой ошибки обучения в пределах 1 %. Проблематика. Вагомий недолік технології створення сучасних нейромережевих моделей на базі багатошарового персептрона полягає в тому, що при кодуванні параметрів навчальних прикладів не враховується кореляція очікуваного вихідного сигналу із близькістю еталонів класів, що мають бути розпізнаними.Мета дослідження. Розробка методу кодування вихідного сигналу навчальних прикладів, який забезпечує відображення близькості еталонів класів, що мають бути розпізнані.Методика реалізації. Метод кодування базується на ймовірнісній нейронній мережі, в навчальних прикладах якої очікуваний вихідний сигнал визначається не в числовому вигляді, а назвою класу, що має бути розпізнаний. У той же час при розпізнаванні можливо у вихідному сигналі цієї мережі у числовому вигляді відобразити близькість вхідного образу до кожного класу, що був закладений у неї при навчанні.Результати дослідження. Розроблено метод кодування, який за рахунок використання ймовірнісної нейронної мережі дає змогу врахувати в очікуваному вихідному сигналі навчальних прикладів близькість еталонів класів, що мають бути розпізнані.Висновки. Використання запропонованого методу дає можливість у 1,3–1,5 разу зменшити кількість навчальних ітерацій для досягнення допустимої помилки навчання в межах 1 %. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|