Метод кодування вихідного сигналу нейромережевих моделей

dc.contributor.authorТерейковський, Ігор Анатолійович
dc.contributor.authorТерейковська, Л. О.
dc.contributor.authorTerejkowski, Igor A.
dc.contributor.authorTereikovska, Ludmila O.
dc.date.accessioned2018-12-14T12:23:56Z
dc.date.available2018-12-14T12:23:56Z
dc.date.issued2017
dc.description.abstractenBackground. 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 %.uk
dc.description.abstractruПроблематика. 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 %.uk
dc.description.abstractukПроблематика. 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 %.uk
dc.format.pagerangeС. 59–64uk
dc.identifier.citationТерейковський, І. А. Метод кодування вихідного сигналу нейромережевих моделей / І. А. Терейковський, Л. О. Терейковська // Наукові вісті НТУУ «КПІ» : міжнародний науково-технічний журнал. – 2017. – № 5(115). – С. 59–64. – Бібліогр.: 12 назв.uk
dc.identifier.doihttps://doi.org/10.20535/1810-0546.2017.5.107206
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/25399
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceНаукові вісті НТУУ «КПІ» : міжнародний науково-технічний журнал, 2017, № 5(115)uk
dc.subjectнейронна мережаuk
dc.subjectеталонuk
dc.subjectметод кодуванняuk
dc.subjectвихідний сигналuk
dc.subjectNeural networkuk
dc.subjectStandarduk
dc.subjectEncoding methoduk
dc.subjectOutput signaluk
dc.subjectнейронная сетьuk
dc.subjectэталонuk
dc.subjectметод кодированияuk
dc.subjectисходящий сигналuk
dc.subject.udc004.056.5uk
dc.titleМетод кодування вихідного сигналу нейромережевих моделейuk
dc.title.alternativeMethod of Encoding the Output Signal of Neural Networks Modelsuk
dc.title.alternativeМетод кодирования исходящего сигнала нейросетевых моделейuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
NVKPI2017-5_07.pdf
Розмір:
615.77 KB
Формат:
Adobe Portable Document Format
Опис:
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.74 KB
Формат:
Item-specific license agreed upon to submission
Опис: