Метод кодування вихідного сигналу нейромережевих моделей
dc.contributor.author | Терейковський, Ігор Анатолійович | |
dc.contributor.author | Терейковська, Л. О. | |
dc.contributor.author | Terejkowski, Igor A. | |
dc.contributor.author | Tereikovska, Ludmila O. | |
dc.date.accessioned | 2018-12-14T12:23:56Z | |
dc.date.available | 2018-12-14T12:23:56Z | |
dc.date.issued | 2017 | |
dc.description.abstracten | 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 %. | uk |
dc.description.abstractru | 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 %. | uk |
dc.description.abstractuk | 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 %. | uk |
dc.format.pagerange | С. 59–64 | uk |
dc.identifier.citation | Терейковський, 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.doi | https://doi.org/10.20535/1810-0546.2017.5.107206 | |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/25399 | |
dc.language.iso | uk | uk |
dc.publisher | КПІ ім. Ігоря Сікорського | uk |
dc.publisher.place | Київ | uk |
dc.source | Наукові вісті НТУУ «КПІ» : міжнародний науково-технічний журнал, 2017, № 5(115) | uk |
dc.subject | нейронна мережа | uk |
dc.subject | еталон | uk |
dc.subject | метод кодування | uk |
dc.subject | вихідний сигнал | uk |
dc.subject | Neural network | uk |
dc.subject | Standard | uk |
dc.subject | Encoding method | uk |
dc.subject | Output signal | uk |
dc.subject | нейронная сеть | uk |
dc.subject | эталон | uk |
dc.subject | метод кодирования | uk |
dc.subject | исходящий сигнал | uk |
dc.subject.udc | 004.056.5 | uk |
dc.title | Метод кодування вихідного сигналу нейромережевих моделей | uk |
dc.title.alternative | Method of Encoding the Output Signal of Neural Networks Models | uk |
dc.title.alternative | Метод кодирования исходящего сигнала нейросетевых моделей | uk |
dc.type | Article | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- NVKPI2017-5_07.pdf
- Розмір:
- 615.77 KB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 7.74 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: