Пошук академічних текстів

Інформація × Реєстраційний номер 2126U000283, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ГІБРИДНА СИСТЕМА РОЗПІЗНАВАННЯ СУПУТНИКОВИХ ЗОБРАЖЕНЬ З НЕЙРОМЕРЕЖЕВИХ ЕКСТРАКТОРОМ ТА ІНФОРМАЦІЙНО ЕКСТРЕМАЛЬНИМ КЛАСИФІКАТОРОМ Автор Довбиш А. С.П’ятаченко В. Ю.Сергєєв В. М.Гриценко О. М.Dovbysh A. S.Piatachenko V. Y.Serhieiev V. M.Hrytsenko O. M. Дата публікації 27-03-2026 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/352466 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Розв’язано актуальну задачу побудови інтерпретованої та адаптивної системи розпізнавання для семантичної сегментації супутникових знімків місцевості шляхом поєднання нейромережевих екстракторів зінформаційно- екстремальним класифікатором .Мета роботи. Підвищення точності класифікації супутникових знімків місцевості шляхом розробки гібридної моделі машинного навчання, яка об’єднує глибоку згорткову нейронну мережу для відбору інформативних ознак та інформаційноекстремальний класифікатор, що дозволяє будувати високодостовірні вирішальні правила за умови перетину класів розпізнавання в просторі ознак.Метод. Запропоновано гібридну модель, яка поєднує ефективну екстракцію просторових ознак за допомогою згорткової нейронної мережи та інформаційно-екстремальну інтелектуальну технологію аналізу даних, яка базується на максимізації інформаційної спроможності системи розпізнавання в процесі машинного навчання. Водночас при екстракції ознак розпіхзнавання замість класичного Flatten використано GlobalAveragePooling для узагальнення ознак, а також впроваджено регуляризаційні механізми, зокрема вагове затухання та циклічне навчання. Оптимізація параметрів інформаційно-екстремального машинного навчання виконується за модифікованим авторами інформаційним критерієм Кульбака, який розглядається як міра різноманітності класів розпізнавання.Результати. Побудована модель забезпечує високу точність класифікації (95%) при тестуванні, а також демонструє стабільність та підвищення оперативності нейромережевого екстрактора шляхом зменшення кількості епох його навчання завдяки застосованню регуляризації. За результатами інформаційно-екстремального машинного навчання визначено оптимальні геометричні параметри гіперсферичних контейнерів класів розпізнавання, що дозволяє побудувати високодостовірні вирішальні правила за умови перетину класів розпізнаванняс в просторі ознак.Висновки. Запропонована гібридна модель дозволяє для апріорно нечіткого розбиття в просторі ознак класів розпізнавання за сформованою в результаті екстракції ознак вхідною навчальною матрицею побудувати в процесі інформаційно-екстремального машинного навчання високодостовірні вирішальні правила. Додано в НРАТ 2026-04-20 Закрити