В.В. Квашенников1

1 Калужский филиал МГТУ им. Н.Э. Баумана (г. Калуга, Россия)

Постановка проблемы. Нейронные сети (НС), представляющие собой высокопроизводительные отказоустойчивые вычислительные устройства с параллельной организацией работы, широко применяются для решения прикладных задач при распознавании образов, классификации, кластеризации, аппроксимации многомерных отображений, нелинейной фильтрации, для прогнозирования временных рядов, управления сетями связи, различения сигналов и др. [1]. Кроме того, НС универсальны, обучаемы и являются инвариантными функциональными преобразователями образов.

Цель. Рассмотреть свойства функциональных преобразований при распознавании образов в НС.

Результаты. Описаны свойства функциональных преобразований образов входных воздействий в эффективный код полного образа с использованием НС. Рассмотрена НС как универсальный, обучаемый и инвариантный преобразователь входной избыточной последовательности образа в эффективный код образа. Представлена сложная НС в виде последовательно-параллельного соединения относительно простых модулей НС, выполняющих функциональные преобразования образов небольшой размерности. Рассмотрен пример распознавания лица человека.

Практическая значимость. Применение рассмотренной многоуровневой, иерархической структуры НС, учитывающей аддитивную структуру входных и выходных образов, существенно снижает затраты на определение эффективного кода полного образа.

Квашенников В.В. Функциональные преобразования при распознавании образов в нейронных сетях // Информационно-измерительные и управляющие системы. 2022. Т. 20. № 5. С. 15−24. DOI: https://doi.org/10.18127/j20700814-202205-04

1. Галушкин А.И. Нейронные сети: основы теории / Под ред. А.И. Галушкина. М.: ИПРРЖР. 2009. 480с.
2. Квашенников В.В. Сравнительный анализ систем биологической и компьютерной памяти // Известия Института инженерной физики 2021. №1(59). С. 37-41.
3. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1. № 1. С. 12-24.
4. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. М.: Вильямс. 2001. 288 с.
5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком. 2001. 382 с.
6. Савельев А.В. На пути к общей теории нейросетей. К вопросу сложности // Нейрокомпьютеры: разработка, применение. 2006. № 4-5. С. 4-14.
7. Хачумов В.М. О расширении функциональных возможностей искусственных нейронных сетей // Авиакосмическое приборостроение. 2008. № 5. С. 53–59.
8. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб: Питер. 2018. 480 с.
9. Абрамов Н.С., Фраленко В.П., Хачумов М.В. Обзор методов распознавания образов на основе инвариантов к яркостным и геометрическим преобразованиям // Современные наукоемкие технологии. 2020. № 6-1. С. 110-117.
10. Гибсон У. Распознавание образов. М.: ООО «Издательская Группа «Азбука-Аттикус». 2015. 384 c.
11. Хайкин С. Нейронные сети. Изд. 2-е. М.: Вильямс. 2006. 1104 с.
12. Осмоловский С.А. Стохастические методы защиты информации. М.: Радио и связь. 2003. 320 с.
13. Шамсимухаметов Д., Андреев К., Фролов А. Исследование методов декодирования на основе глубинных нейронных сетей // Сб. трудов 42-й Междисциплинарной школы-конф. ИППИ РАН «Информационные технологии и системы». 2018.
    С. 208-218.
14. Зуй Т.Н. Инварианты в задачах распознавания графических образов // Вестник РУДН. Сер. Математика. Информатика. Физика. 2016. № 1. С. 76–85.
15. Абрамов Н.С., Хачумов В.М. Распознавание на основе инвариантных моментов // Вестник Российского университета дружбы народов. Сер. Математика, информатика, физика. 2014. № 2. С. 142–149.
16. Потапов А. Системы компьютерного зрения: современные задачи и методы // Control Engineering. Россия. 2014. № 1.
    С. 20–26.
17. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход: Пер. с англ. М.: Вильямс. 2004. 926 с.
18. Helmer S., Meger D., Viswanathan P., McCann S., Dockrey M., Fazli P., Southey T., Muja M., Joya M., Little J., Lowe D., Mackworth A. Semantic Robot Vision Challenge: Current State and Future Directions // IJCAI-09 Workshop on Competitions in Artificial Intelligence and Robotics. Pasadena, California, USA. July 11–13 2009. 7 p.
19. Batiouaa I., Benouinia R., Zenkouara K., Zahia A. Image classification using separable invariants moments based on Racah polynomials // Procedia Computer Science Volume. 2018. V. 127. P. 320–327.
20. Потапов А.С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания. СПб: Политехника. 2007. 548 с.
21. Beaty R.E., Benedek M., Wilkins R.W., Jauk E., Fink A., Silvia P.J., Hodges D.A., Koschutnig K., Neubauer A.C. Creativity and the default network: A functional connectivity analysis of the creative brain at rest. (https://www.ncbi.nlm.nih.gov/pubmed/25245940) (англ.) // Neuropsychologia. 2014. V. 64. P. 92-98.
22. Блох Э.Л., Зяблов В.В. Обобщенные каскадные коды. М.: Связь. 1976. 240 с.
23. Власов А.И., Ларионов И.Т., Орехов А.Н., Тетик Л.В. Система автоматического распознавания эмоционального состояния человека // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 5. С. 33−50. DOI: https://doi.org/10.18127/j19998554202105-03.