Training a neural network to identify objects by parameters in non-overlapping spaces
| dc.contributor.author | Evgrafov, Dmytro | |
| dc.contributor.author | Sholokhov, Serhii | |
| dc.date.accessioned | 2025-12-17T09:53:59Z | |
| dc.date.available | 2025-12-17T09:53:59Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | The present moment is characterised by the active use of digital information processing technologies in electronic communications systems. An important task in this case is to develop methods and algorithms for deciding whether a certain object O belongs to one or another m-th class: Om, m =1, 2, ..., M, M ≥ 2 – number of classes. This task can be solved with the use of neural networks that implement the processing of k conditional estimates of physical parameters xk1/m, xk2/m, …, xkn/m, …, xkN/m objects, k =1, 2, …, K, K – is the maximum number of training steps, n is the current physical parameter that characterises the object and is an input to the neural network), N – is the number of such physical parameters, N ≥ 2. Contingent valuations xk1/m, xk2/m, …, xkn/m, …, xkN/m are random, depend on the energy characteristics of the impacts and dynamically change over time, and the decision to determine whether an object O belongs to one or another m-th class involves the use of neural networks, which have the properties of learning and self-learning. Suppose that, from the energy point of view, the input influences are powerful enough to assign the object O to one or another m-th class Om . Thanks to the expert's ability to accurately determine the m-th class after receiving the k-th conditional vector of physical parameter estimates xk/m, the m neural network will be trained by refining the lower and upper limits of displacements in the first layers of perceptrons for each m-th class Q1m min and Q1m max, after the next estimates of physical parameters are received and the expert provides the real value of the object O belonging to class m. The article solves the inverse problem of finding, Qm min, Qm max, which ensure the specified quality indicators in neural network training for the minimum number of steps K. The article considers the implementation of a three-layer neural network trained by an experienced expert to solve the problem of object identification by several parameters. The solution to the problem of object identification by classes is presented for known distributions of conditional estimates of physical parameters. The problem of object identification by classes at infinite signal-to-noise ratios in the process of estimating physical parameters is solved. The expressions that determine the perceptron displacement for the problem of object identification by classes when the spaces of true values of input parameters do not intersect are found. | |
| dc.description.abstractother | Дійсний момент часу характеризується активним застосуванням у системах електронних комунікацій цифрових технологій обробки інформації. Важливою задачею при цьому є розробка методів та алгоритмів прийняття рішення щодо належності певного об’єкту O до того або іншого m-го класу: Om, m =1, 2, ..., M, M ≥ 2 – кількість класів. Ця задача може бути вирішена із застосуванням нейронних мереж, які реалізують обробку k-х умовних оцінок фізичних параметрів xk1/m, xk2/m, …, xkn/m, …, xkN/m об’єктів, k =1, 2, …, K, K – максимальна кількість кроків навчання, n – поточний фізичний параметр, що характеризує об’єкт та є вхідним впливом для нейромережі, N – кількість таких фізичних параметрів, N ≥ 2. Умовні оцінки xk1/m, xk2/m, …, xkn/m, …, xkN/m мають випадковий характер, залежать від енергетичних характеристик впливів та динамічно змінюються у часі, а прийняття рішення про належність об’єкту O до того або іншого m-го класу передбачає застосування нейромереж, яким притаманні властивості навчання та самонавчання. Нехай, з енергетичної точки зору, вхідні впливи достатньо потужні для віднесення об’єкту O до того, або іншого m-го класу Om . Завдяки вмінню експерта безпомилково визначати m-й клас після отримання k-го умовного вектору оцінок фізичних параметрів xk/m навчання нейромережі відбуватиметься шляхом уточнення нижніх та верхніх границь зміщень у перших шарах перцептронів для кожного m-го класу Qm min, Qm miax після надходження чергових оцінок фізичних параметрів та надання експертом реального значення належності об’єкту O до класу m. У статті розв’язана зворотна задача відшукання Q1m min та Q1m max , які за найменшу кількість кроків K забезпечують задані показники якості у навчанні нейромережі. Розглянуто реалізацію тришарової нейромережі, яка навчається досвідченим експертом для розв’язання задачі ідентифікації об’єктів за декількома параметрами. Поданий розв’язок задачі ідентифікації об’єктів по класах здійснений для відомих розподілень умовних оцінок фізичних параметрів. Розв’язано задачу ідентифікації об’єктів по класах при нескінченних співвідношеннях сигнал/шум у процесі оцінювання фізичних параметрів. Знайдено вирази, які визначають зміщення перцептронів для задачі ідентифікації об’єктів по класах, коли простори істинних значень вхідних параметрів не перетинаються. | |
| dc.format.pagerange | P. 100-108 | |
| dc.identifier.citation | Evgrafov, D. Training a neural network to identify objects by parameters in non-overlapping spaces / Dmytro Evgrafov, Serhii Sholokhov // Information Technology and Security. – 2025. – Vol. 13, Iss. 1 (24). – P. 100-108. – Bibliogr.: 12 ref. | |
| dc.identifier.doi | https://doi.org/10.20535/2411-1031.2025.13.1.328972 | |
| dc.identifier.orcid | 0000-0001-9651-1558 | |
| dc.identifier.orcid | 0000-0003-2222-8842 | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/77763 | |
| dc.language.iso | en | |
| dc.publisher | Institute of Special Communication and Information Protection of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute” | |
| dc.publisher.place | Kyiv | |
| dc.relation.ispartof | Information Technology and Security, Vol. 13, Iss. 1 (24) | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | neural network training | |
| dc.subject | quality criteria for object distinction | |
| dc.subject | errors of the first and second kind of decision theory | |
| dc.subject | indicators of quality | |
| dc.subject | навчання нейронних мереж | |
| dc.subject | критерії якості розрізнення об'єктів | |
| dc.subject | помилки першого та другого роду теорії рішень | |
| dc.subject | показники якості | |
| dc.subject.udc | 004.89 | |
| dc.title | Training a neural network to identify objects by parameters in non-overlapping spaces | |
| dc.title.alternative | Навчання нейромережі для ідентифікації об’єктів по параметрах у просторах, що не перетинаються | |
| dc.type | Article |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: