Все
 
 
 


Построение корректного алгоритма и пространственной нейросети для задач распознавания с бинарной информацией
 
Код статьиS004446690003591-1-1
DOI10.31857/S004446690003591-1
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Дюсембаев А. Е. 
Аффилиация: Казахский Национальный Университет
Адрес: 050012 Алматы, пр-т аль-Фараби, 71
Гришко М. В.
Аффилиация: Казахский Национальный Университет
Адрес: 050012 Алматы, пр-т аль-Фараби, 71
Название журналаЖурнал вычислительной математики и математической физики
ВыпускТом 58 Номер 10
Страницы1728-1740
Аннотация

В работе определены условия, при выполнении которых для задач распознавания с бинарной информацией (Ω-регулярные задачи) может быть построен корректный алгоритм и шестиуровневая пространственная нейросеть, воспроизводящая вычисления, осуществляемые корректным алгоритмом. Одной из отличительных особенностей сети, является использование в её внутренних слоях диагональных активационных функций (а.ф.), заметно упрощающих промежуточные вычисления во внутреннем и внешних циклах. При этом сама сеть по Ω-регулярной задаче последовательно вычисляет строки матрицы классификации для объектов контрольной выборки. Предлагаемый подход по построению нейросети не связан с традиционным подходом минимизации функционала, а основан на операторной теории, разработанной Ю. И. Журавёвым для решения задач распознавания и классификации.Библ.22.Фиг.4.

Ключевые словакорректный алгоритм, нейросеть, μ-блок, алгебра
Получено11.01.2019
Дата публикации14.01.2019
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 890

Оценка читателей: голосов 0 

1. Haykin S. Neural networks and learning machines(3rd Edition). PrenticeHall, 2009.
2. Журавлев Ю. И. Об алгебраичском подходе к задачам распознавания и классификации //Сб.Проблемы кибернентики. 1978. Вып. 33.C.3–68.
3. Bauer A., Gornitz N., Biegle, F., Muller K. – R., Kloft M. // IEEE TNNLS. 2014.V.25. № 5. P. 870–881.
4. LiXiao. Neural network method for solving linear fractional programming //Internat. Conference on Compt. Intellegence and Security.2010.
5. Masakazu Matsugu, Katsuhiko Mori, Yusuke Mitari, Yuji Kaneda. Subject independent facial expression recognition with robust face detection using a convolutional neural network // Neural Networks. 2003. № 16. P. 555–559.
6. Yann LeCun, YoshuaBengio, Geoffrey Hinton.Deep learning //Nature. 2015. V.521. № 7553.P.436–444.
7. Глызин С. Д., Колесов А. Ю., Розов Н. Х. Двухчастотные автоколебания в нейронной сети ФитцХью–Нагумо //Ж. вычисл. матем. и матем. физ.. 2017.T. 57. № 1.C. 94–110.
8. Журавлев Ю. И. Алгебры над множествами некорректных (эвристических) алгоритмов // Докл.АН СССР. 1977. Т. 235. № 4. С. 761–763.
9. Журавлев Ю. И. Корректные алгебры над множеством некорректных(эвристических) алгоритмов // Кибернетика. 1978. № 2. С. 37–45.
10. Журавлев Ю. И. Построение алгоритмов распознавания, корректных для заданной контрольной выборке // Ж.вычисл.матем.и матем.физ. 1979. Т. 19. № 3.С. 200–208.
11. Журавлев Ю. И. Алгоритмы распознавания, основанные на вычислении оценок.Содержательный смысл параметров, задающих алгоритмы //Тр. Междунар. симпозиума по практическому применению методов распознавания образов. М.: ВЦ АНСССР. 1973.
12. Матросов В. Л. Корректные алгебры алгоритмов распознавания ограниченной емкости.Дисс. докт.физ.матем. наук. М.: ВЦ АН СССР. 1985.
13. Рудаков К. В. Об алгебраической теории универсальных и локальных ограничений для задач распознавания и классификации //Распознавание, классификация, прогноз. М.: Наука. 1989. Вып.1. С. 176–201.
14. Дьяконов А. Г. Алгебра над алгоритмами вычисления оценок: минимальная степень корректного алгоритма // Ж.вычисл.матем.и матем.физ. 2005.Т. 45. № 6.С. 1134–1145.
15. Дюсембаев А. Е. Об одном подходе к задаче сегментации программ // Докл.АН, 1993. Т. 323. № 6.С.711–714.
16. Дюсембаев А. Е. Математические модели сегментации программ.М.: Физматлит, 2001.
17. Дюсембаев А. Е. О корректности алгебраического замыкания тестовых алгоритмов распознавания // Ж.вычисл. матем.и матем.физ. 1982.Т.22.№ 6. С. 1491–1499.
18. Дюсембаев А. Е. Об одном подходе к решению задач распознавания на основе нейросетей // Докл.АН, 2017. Т. 473. № 2. С. 127–130.
19. Dyusembaev A. E., Grishko M. V. Conditions of the correctness for algebra of estimates calculation algorithms with µ-operators over a setoff binary-data recognition problems //J. of Pattern Recognition and Image Analys. 2017. V.27. № 2. P. 166–174.
20. Дюсембаев А. Е., Калиаждаров Д. Р. О точных решениях задач распознавания на основе нейросетевого подхода //Докл.АН. 2015. Т. 461. № 3. C.268–271.
21. Дьяконов А. Г. Алгебра над алгоритмами вычисления оценок: нормировка по отрезку //Ж.вычисл.матем.и матем.физ. 2009.Т.49. № 1.С. 200–208.

Система Orphus

Загрузка...
Вверх