Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003998, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ШВИДКА НЕЙРОННА МЕРЕЖА ТА ЇЇ АДАПТИВНЕ НАВЧАННЯ В ЗАДАЧАХ КЛАСИФІКАЦІЇ Автор Бодянський Є. В.Шафроненко Є. О.Бродецький Ф. А.Танянський О. С.Bodyanskiy Ye. V.Shafronenko Ye. OBrodetskyi F. A.Tanianskyi O. S. Дата публікації 22-09-2025 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/339035 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Для вирішення широкого класу задач обробки інформації і, перш за все, розпізнавання образів за умовсуттєвої нелінійності широке розповсюдження одержали штучні нейронні мережі, завдяки своїм універсальним апроксимуючим властивостям та здатності до навчання на основі тренувальних навчальних вибірок. Найбільшого розповсюдження отримали глибокі нейронні мережі, які дійсно демонструють дуже високу якість розпізнавання, але потребують надвеликих обсягів навчальних даних, які не завжди є доступними. За цих умов ефективними можуть бути, так звані, машини опорних векторів найменших квадратів, які не потребують великих обсягів навчальних вибірок, однак можуть навчатися лише у пакетному режимі і є достатньо громіздкими у чисельній реалізації. Тому достатньо актуальною є задача навчання LS-SVM у послідовному режимі за умов суттєвої нестаціонарності даних, що послідовно у онлайн режимі надходять на опрацювання у нейронну мережу.Мета. Мета роботи полягає у запровадженні підходу до адаптивного навчання LS-SVM, що дозволяє відмовитися відперетворення зображень у векторні сигнали.Метод. Запропоновано підхід для розпізнавання образів-зображень за допомогою машини опорних векторів найменшихквадратів (LS-SVM) за умов, коли дані на обробку надходять у послідовному онлайн режимі. Перевагою запропонованогопідходу є скорочення часу вирішення задачі розпізнавання образів-зображень, а також дозволяє реалізувати процес навчання на нестаціонарних тренувальних вибірках. Особливістю запропонованого методу є обчислювальна простота і висока швидкодія, пов’язана з тим, що кількість нейронів у мережі не змінюється з часом, тобто архітектура залишається фіксованою у процесі налаштування.Результати. Запропонований підхід до адаптивного навчання LS-SVM спрощує чисельну реалізацію нейронної мережіта дозволяє підвищити швидкість обробки інформації і, перш за все, налаштування її синаптичних ваг.Висновки. Розглянута задача розпізнавання образів-зображень за допомогою машини опорних векторів найменших квадратів (LS-SVM) за умов, коли дані на обробку надходять у послідовному онлайн режимі. Процес навчання реалізується на ковзному вікні, що веде до того, що кількість нейронів у мережі не змінюється з часом, тобто архітектура залишається фіксованою у процесі налаштування. Такий підхід спрощує чисельну реалізацію системи та дозволяє реалізувати процес навчання на нестаціонарних тренувальних вибірках. Розглянута можливість навчання у ситуаціях, коли навчальні образи задані не лише у векторній формі, а й матричній, що дозволяє відмовитися від перетворення зображень у векторні сигнали. Додано в НРАТ 2026-02-26 Закрити