Н. Т. Абдуллаев – к.т.н., зав. кафедрой «Биомедицинская техника», Азербайджанский технический университет (г. Баку)

E-mail: a.namik46@mail.ru

К. Ш. Исмаилова – к.т.н., доцент, Азербайджанский государственный университет нефти и промышленности (г. Баку)

Рассмотрено использование модульной архитектуры, состоящей из небольших многослойных персептронов, для решения проблем принятия решения в электромиографии.

Показано, что такой подход приводит к обобщающему преимуществу для высокоразмерных входных векторов. Отмечено, что из-за независимости модулей на входном уровне легко выполняется параллельное обучение. Для оценки эффективности диагностической системы использованы значения критерия чувствительности и специфичности сети. Установлено, что для разных наборов данных в модульной архитектуре обучение намного эффективнее.

1. Маунткасл В. Организующий принцип функции мозга – элементарный модуль и распределенная система / В кн. Эделмен Дж., Маунткасл В.Разумный мозг. М.: Мир. 1981.
2. Дорогов А.Ю., Алексеев А.А., Буторин Д.А. Концепция структурного моделирования нейронных сетей // Известия ВУЗов. Сер. «Приборостроение». 1998. Т. 41. № 4. С. 36–41.
3. Kohonen T., Barna G., Chrisley R. Statistical pattern recognition with neural networks: benchmarking studies // Proc. IEEE International Conference on Neural Networks. San Diego. 1988. P. 61–67.
4. Mui L., Agarwal A., Gupta A., Wang P.Sh.-P. An adaptive modular neural network with application to unconstrained character recognition // International Journal of Pattern Recognition and Artificial Intelligence. 1994. V. 8. № 5. P. 1189–1204.
5. Bellotti R., Castellano M., De Marzo C., Satalino G. Signal/background classification in a cosmic ray space experiment by a modular neural system // Proc. of the SPIE – The International Society for Optical Engineering. 1995. V. 2492. № pt.2. P. 1153–61.
6. Boers E.J.W., Kuiper H. Biological metaphors and the design of modular artificial neural networks // Master’s thesis. Departments of Computer Science and Experimental and Theoretical Psychology at Leiden University, the Netherlands. 1992.
7. Chiang Ch.-Ch., Fu H.-Ch. Divide-and-conquer methodology for modular supervised neural network design // Proc. of the 1994 IEEE International Conference on Neural Networks. Part 1 (of 7). Orlando, FL, USA. 1994. P. 119–124.
8. Happel B.L.M., Murre J.M.J. Design and evolution of modular neural architectures // Neural Networks. V. 7. № 6/7. 1994. P. 985–1004.
9. Ishikawa M. Learning of modular structured networks // Artificial Intelligence. 1995. V. 75. № 1. P. 51–62.
10. Kim J., Ahn J., Kim Ch.S., Hwang H., Cho S. Multiple neural networks using the reduced input dimension // Proc. ICASSP – IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ, USA, 1994. V. 2. P. 601–604.
11. Kimoto T., Asakawa K., Yoda M., Takeoka M. Stock market prediction system with modular neural networks // 1990 International Joint Conference on Neural Networks – IJCNN 90. Piscataway, NJ, USA. 1990. P. 1–6.
12. Lu B.-L., Ito K., Kita H., Nishikawa Y. Parallel and modular multi-sieving neural network architecture for constructive learning // Proc. of the 4th International Conference on Artificial Neural Networks. Cambridge, UK. 1995. P. 92–97.
13. Schmidt A., Bandar Z. A modular neural network architecture with additional generalization abilities for large input vectors // Third International Conference on Artificial Neural Networks and Genetic Algorithms (ICANNGA-97). Norwich, England. 1997.
14. Тархов Д.А. Нейросетевые модели и алгоритмы. Справочник. М.: Радиотехника. 2014.