Построение решающего правила для классификации образов на основе векторов ошибок
Построено отображение множества образов на множество векторов ошибок распознавания образов нейронною сетью, которое позволяет связать классификацию образов с анализом векторов в пространстве ошибок. Векторный критерий позволяет группировать образы, распознавать, сравнивать и анализировать их. Обосно...
Збережено в:
| Опубліковано в: : | Системні дослідження та інформаційні технології |
|---|---|
| Дата: | 2013 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
2013
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/50036 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Построение решающего правила для классификации образов на основе векторов ошибок / П.В. Четырбок // Систем. дослідж. та інформ. технології. — 2013. — № 2. — С. 114-120. — Бібліогр.: 3 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860077042309005312 |
|---|---|
| author | Четырбок, П.В. |
| author_facet | Четырбок, П.В. |
| citation_txt | Построение решающего правила для классификации образов на основе векторов ошибок / П.В. Четырбок // Систем. дослідж. та інформ. технології. — 2013. — № 2. — С. 114-120. — Бібліогр.: 3 назв. — рос. |
| collection | DSpace DC |
| container_title | Системні дослідження та інформаційні технології |
| description | Построено отображение множества образов на множество векторов ошибок распознавания образов нейронною сетью, которое позволяет связать классификацию образов с анализом векторов в пространстве ошибок. Векторный критерий позволяет группировать образы, распознавать, сравнивать и анализировать их. Обоснованы и развиты методы теории нейронных сетей применительно к решению задачи распознавания сигналов с использованием критерия близости распознаваемых образов в пространстве ошибок распознавания. Сформулирован взвешенный критерий близости образов сигналов в пространстве ошибок. Предложен алгоритм перехода из пространства параметров образов в пространство ошибок распознавания образов. Построено оптимальное решающее правило для классификации образов сигналов с использованием взвешенного критерия близости распознаваемых образов в пространстве ошибок распознавания. Достоверность полученных научных результатов, выводов и рекомендаций работы подтверждена результатами экспериментальных исследований разработанной универсальной системы интеллектуального анализа данных, которая решает задачи распознавания объектов электрооптических изображений NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient Conjugate Gradient, Genetic) — Нейро-нечеткий классификатор (Базовый, Градиент, Сопряженный Градиент, Генетический)), проведенных на базе «Института прикладного системного анализа» НТУУ «КПИ». Полученные в работе результаты, наглядно демонстрируют эффективность использования разработанных моделей, методов и алгоритмов для решения задач распознавания сигналов.
Побудовано відображення множини образів на множину векторів помилок розпізнавання образів нейронною мережею, яке дозволяє зв’язати класифікацію образів із аналізом векторів у просторі помилок. векторний критерій дозволяє групувати образи, розпізнавати, порівнювати та аналізувати їх. Обґрунтовано й розвинено методи теорії нейронних мереж стосовно до рішення задачі розпізнавання сигналів із використанням критерію близькості образів, що розпізнаються у просторі помилок розпізнавання. Сформульовано зважений критерій близькості образів сигналів у просторі помилок. Запропоновано алгоритм переходу із простору параметрів образів у простір похибок розпізнавання образів. Побудовано оптимальне вирішальне правило для класифікації образів сигналів із використанням зваженого критерію близькості розпізнаваних образів у просторі помилок розпізнавання. Вірогідність отриманих наукових результатів, висновків і рекомендацій роботи підтверджено результатами експериментальних досліджень розробленої універсальної системи інтелектуального аналізу даних, що вирішує задачі розпізнавання об’єктів электрооптических зображень NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient Conjugate Gradient, Genetic) — Нейро-нечіткий класифікатор (Базовий, Градієнт, Сполучений Градієнт, Генетичний)), проведених на базі "Інституту прикладного системного аналізу" НТУУ "КПІ". Отримані в роботі результати наочно демонструють ефективність використання розроблених моделей, методів й алгоритмів для рішення задач розпізнавання сигналів.
The display of multiple images on the set of errors vectors of image recognition by neural network, which allows you to associate a classification of images with the analysis of the vectors in the space error, is built. Vector criterion allows you to group images, identify, compare and analyze them. The methods of the theory of neural networks applied to solving the problem of recognition of signals using a criterion of the proximity of the images that are recognized in the space of recognition errors are proved and developed. The weighted criterion of proximity images signals-in-space errors is formulated. The algorithm of the transition from the images parameters space in space of errors of images recognition is proposed. The optimal decisive rule for the classification of images signals using the weighted criterion of the proximity of recognizable images in the space of recognition errors is built. The reliability of the obtained scientific results, conclusions and recommendations of the work is confirmed by the results of experimental research of the developed universal data mining system, which solves the problem of object recognition of the electro-optic images NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient, Connected Gradient, Genetic) — Neuro-fuzzy classifier (Basic Gradient, Connected Gradient, Genetic)), conducted on the basis of the Institute of applied system analysis of NTUU "KPI". The obtained results clearly demonstrate the effectiveness of the use of the developed models, methods and algorithms for solving problems of recognition of signals.
|
| first_indexed | 2025-12-07T17:13:56Z |
| format | Article |
| fulltext |
© П.В. Четырбок, 2013
114 ISSN 1681–6048 System Research & Information Technologies, 2013, № 2
TIДC
МАТЕМАТИЧНІ МЕТОДИ, МОДЕЛІ,
ПРОБЛЕМИ І ТЕХНОЛОГІЇ ДОСЛІДЖЕННЯ
СКЛАДНИХ СИСТЕМ
004.032.26:004.8
ПОСТРОЕНИЕ РЕШАЮЩЕГО ПРАВИЛА
ДЛЯ КЛАССИФИКАЦИИ ОБРАЗОВ
НА ОСНОВЕ ВЕКТОРОВ ОШИБОК
П.В. ЧЕТЫРБОК
Построено отображение множества образов на множество векторов ошибок
распознавания образов нейронною сетью, которое позволяет связать класси-
фикацию образов с анализом векторов в пространстве ошибок. Векторный
критерий позволяет группировать образы, распознавать, сравнивать и анали-
зировать их. Обоснованы и развиты методы теории нейронных сетей примени-
тельно к решению задачи распознавания сигналов с использованием критерия
близости распознаваемых образов в пространстве ошибок распознавания.
Сформулирован взвешенный критерий близости образов сигналов в простран-
стве ошибок. Предложен алгоритм перехода из пространства параметров обра-
зов в пространство ошибок распознавания образов. Построено оптимальное
решающее правило для классификации образов сигналов с использованием
взвешенного критерия близости распознаваемых образов в пространстве
ошибок распознавания. Достоверность полученных научных результатов, вы-
водов и рекомендаций работы подтверждена результатами экспериментальных
исследований разработанной универсальной системы интеллектуального ана-
лиза данных, которая решает задачи распознавания объектов электрооптиче-
ских изображений NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient
Conjugate Gradient, Genetic) — Нейро-нечеткий классификатор (Базовый, Гра-
диент, Сопряженный Градиент, Генетический)), проведенных на базе «Инсти-
тута прикладного системного анализа» НТУУ «КПИ». Полученные в работе
результаты, наглядно демонстрируют эффективность использования разрабо-
танных моделей, методов и алгоритмов для решения задач распознавания сиг-
налов.
ВВЕДЕНИЕ
Для нейронных сетей актуальным является модификация методов обучения
с использованием в качестве критерия близости образов скалярной величи-
ны, равной сумме норм Евклида, обобщенной нормы Евклида и нормы Че-
бышева. Актуальным является также исследование эффективности модифи-
цированных методов в решении задач с трудно распознаваемыми образами
сигналов в условиях помех.
Из известных методов обучения нейронных сетей наиболее широкое
применение имеют градиентные методы со случайным изменением началь-
ных условий [1, 2]. Недостатком этих методов являются трудности распоз-
навания образов в случае близости по норме Евклида сравниваемых обра-
Построение решающего правила для классификации образов на основе векторов ошибок
Системні дослідження та інформаційні технології, 2013, № 2 115
зов. Существует много эвристических алгоритмов классификации без учи-
теля [1, 2], основанных на использовании мер близости между объектами.
Каждый из них имеет свою область применения, а наиболее распространен-
ным недостатком является отсутствие четкой формализации задачи — совер-
шается переход от идеи кластеризации прямо к алгоритму, в результате неиз-
вестно, что ищется. На данный момент существуют следующие алгоритмы
классификации:
• Базовый способ: для вектора данных ix и каждого ядра ia вычис-
ляется ).,( ii axdy = По правилу «победитель забирает все» строка ответов
iy преобразуется в строку, где только один элемент, соответствующий мак-
симальному ,iy равен 1, остальные — нули. Эта строка и является результа-
том функционирования сети. По ней может быть определен номер класса
(номер места, на котором стоит 1) и другие показатели.
• Метод аккредитации: за слоем элементов базового метода, выдаю-
щих сигналы 0 или 1 по правилу «победитель забирает все» (далее называем
его слоем базового интерпретатора), надстраивается еще один слой выход-
ных сумматоров. С каждым (i-м) классом ассоциируется q-мерный выход-
ной вектор iz с координатами i
jz . Он может формироваться по-разному: от
двоичного представления номера класса до вектора ядра класса. Вес связи,
ведущей от i-го элемента слоя базового интерпретатора к j-му выходному
сумматору определяется в точности как .i
jz Если на этом i- м элементе ба-
зового интерпретатора получен сигнал 1, а на остальных — 0, то на выход-
ных сумматорах будут получены числа .i
jz
• Нечеткая классификация. Пусть вектор данных x обработан слоем
элементов, вычисляющих ),( ii axdy = . Идея дальнейшей обработки состо-
ит в том, чтобы выбрать из этого набора }{ iy несколько самых больших чи-
сел и после нормировки объявить их значениями функций принадлежности
к соответствующим классам. Предполагается, что к остальным классам объ-
ект наверняка не принадлежит. Для выбора семейства G наибольших iy
определим следующие числа:
,)1(,1},{max maxmax yMsy
k
Myy y
i
iyi αα +−=== ∑
где число α характеризует отклонение «уровня среза» s от среднего значе-
ния yM ]1,1[−∈α , по умолчанию обычно принимается 0=α .
Множество }|{ GviJ i ∈= трактуется как совокупность номеров тех
классов, к которым может принадлежать объект, а нормированные на еди-
ничную сумму неотрицательные величины
∑
∈
−
−
=
Jj
i
i
i sy
syf
)(
(при Ji∈ и 0=f в противном случае)
интерпретируются как значения функций принадлежности этим классам.
П.В. Четырбок
ISSN 1681–6048 System Research & Information Technologies, 2013, № 2 116
• Метод интерполяции надстраивается над нечеткой классификацией
аналогично тому, как метод аккредитации связан с базовым способом.
С каждым классом связывается q-мерный выходной вектор .iz Строится
слой из q выходных сумматоров, каждый из которых должен выдавать свою
компоненту выходного вектора. Весовые коэффициенты связей, ведущих от
того элемента нечеткого классификатора, который вычисляет if , к j-му вы-
ходному сумматору определяются как i
jz . В итоге вектор выходных сигна-
лов сети есть
∑=
i
izifz .
В отдельных случаях по смыслу задачи требуется нормировка if на
единичную сумму квадратов или модулей.
• Способ построения векторного критерия для распознавания образов.
Строится отображение множества распознаваемых образов на множество
векторов ошибок распознавания образов нейронною сетью, которое позво-
ляет связать классификацию образов с анализом векторов в пространстве
ошибок.
Выбор одного из описанных пяти вариантов использования сети опре-
деляется нуждами пользователя. Предлагаемые пять способов покрывают
большую часть потребностей. В работе разработан пятый метод.
ПОСТАНОВКА ЗАДАЧИ
Построить отображение множества распознаваемых образов (векторов па-
раметров образов) на множество векторов ошибок распознавания образов
нейронною сетью, которое позволяет связать классификацию образов с ана-
лизом векторов в пространстве ошибок.
Цель работы — построение функционала и решающего правила (век-
торного критерия для распознавания образов) для решения задачи класси-
фикации образов. Функционал равен скалярному произведению векторов
ошибок при распознавании нейронной сетью образов и соответствующих
им эталонов. Впервые построено решающее правило для классификации
образов в виде утверждения: каждому образу, распознаваемому многослой-
ным персептроном в многофакторном пространстве ошибок будет соответ-
ствовать свое значение функционала и образ ближе к эталону, чем больше
)(cos λ .
,
||||||||||
)(
)(cos
cXcE
XE,
λ =
где E — вектор ошибок в пространстве ошибок, полученный при распозна-
вании нейронной сетью входного образа, X — вектор ошибок, полученный
при распознавании нейронной сетью эталона, что позволяет связать класси-
фикацию распознаваемых образов с поведением функционала в многофак-
торном пространстве ошибок.
Построение решающего правила для классификации образов на основе векторов ошибок
Системні дослідження та інформаційні технології, 2013, № 2 117
РЕШЕНИЕ ПРОБЛЕМЫ
Формулировка векторного критерия близости образов в пространстве оши-
бок. Переход из пространства параметров в пространство ошибок. Для рас-
познавания образов построим функционал
,342312 xExExEF ++= (1)
где 2E — среднеквадратическая ошибка, полученная при распознавании
образа;
,)(1
2 ∑ −=
n
j
jj dy
n
E
где jy — реальное выходное состояние нейрона j выходного слоя нейрон-
ной сети при подаче на ее входы образа; jd — идеальное (желаемое) вы-
ходное состояние этого нейрона. Суммирование ведется по всем нейронам
выходного слоя .n
3E — линейная ошибка сети, полученная как сумма модулей поразряд-
ного отклонения образа от эталона:
∑ −=
n
j
jj dy
n
E ||1
3 ,
где jy — реальное выходное состояние нейрона j выходного слоя нейрон-
ной сети при подаче на ее входы образа; jd — идеальное (желаемое) вы-
ходное состояние этого нейрона. Суммирование ведется по всем нейронам
выходного слоя n .
4E — максимальная ошибка поразрядного отклонения образа от эта-
лона:
|,|max
,...,1
4 jj
nj
dyE −=
=
где jy — реальное выходное состояние нейрона j выходного слоя нейрон-
ной сети при подаче на ее входы образа; jd — идеальное (желаемое) вы-
ходное состояние этого нейрона.
Суммирование ведется по всем нейронам выходного слоя .n
),,( 321 xxx — вектор ошибок эталонного образа, полученый при обучении
сети.
Для каждого из образов получили свое значение функционала, т.е. функ-
ционал однозначно определяет образ, запомненный сетью. Если для двух
образов величины 432 ,, EEE совпадут, то функционалы для этих образов
будут различны. Если в качестве образов использовать волны, то первый
член функционала отвечает за отклонение частоты образа от эталонной,
второй — за отклонения по амплитуде волны образа от эталонной, тре-
тий — анализирует пиковые всплески. Функционал имеет нижнюю границу
П.В. Четырбок
ISSN 1681–6048 System Research & Information Technologies, 2013, № 2 118
при .0=F Для образов волновой природы функционал позволяет выделить
вредные гармоники, подавить шумы и выделить полезный сигнал.
При распознавании сигнала нейронной сетью вычисляем функционал.
При n эталонных выходных образах мы можем получить n функционалов
,,,, 21 nFFF K где n — количество сигналов, которые распознает сеть. Как
же определить какому образу соответствует входной сигнал или он не рас-
познается сетью?
В соответствии с введенным функционалом (1) минимизируемой целе-
вой функцией ошибки нейронной сети является величина:
,)(
2
1)(
,
2
,
)(
,∑ −=
pj
pj
N
pj dywE (2)
где )(
,
N
pjy — реальное выходное состояние нейрона j выходного слоя N
нейронной сети при подаче на ее входы p-го образа; jpd — идеальное (же-
лаемое) выходное состояние этого нейрона.
Суммирование ведется по всем нейронам выходного слоя и по всем об-
рабатываемым сетью образам. Минимизация ведется методом градиентного
спуска [1]. При распознавании образа нейронной сетью вычисляем функ-
ционал, используя весовые коэффициенты, полученные при обучении сети.
Функционал F равен скалярному произведению векторов ошибок
),,( 432 EEE и ),,( 321 xxx .
.||||||||)(cos),( xExEF rrrr
λ==
Найдем косинус угла между векторами ошибок:
.
||||||||
),()(cos
cc XE
XE
=λ
Аналогично находим косинусы для всех эталонных образов
nFFF ,,, 21 K , где n — число образов предъявленных сети при обучении,
и сравниваем с )(cos λ , полученным при распознавании нейронной сетью
входного образа. Тот функционал iF , для которого )(cos λ наиболее близок
к единице определяет соответствующий входному образу эталонный образ.
Для расчета взвешенного критерия используется взвешенная норма в про-
странстве ошибок. В общем случае вектора ошибок ),,,( 21 keeeE L=
и ),,,( 21 kxxxX L= , где k-количество факторов, влияющих на ошибку рас-
познавания образов многослойным персептроном, т.е. это не размерность
пространства образов. Входной образ ),,,( 21вх myyyY K= . Эталонный об-
раз — ),,,( 21вых mdddD K= , где m — количество входных нейронов, рав-
ное количеству выходных нейронов в многослойном персептроне. Вектор
E получен при распознавании многослойным персептроном входного об-
раза ,вхY когда за эталон был взят ,выхD а вектор X получен, когда на вход
сети подали эталон для выхD и ожидали выхD . Теперь можно оценить бли-
Построение решающего правила для классификации образов на основе векторов ошибок
Системні дослідження та інформаційні технології, 2013, № 2 119
зость распознаваемых образов к эталону по правилу образ ближе к эталону,
чем больше :)(cos λ
.
||||||||
),()(cos
cc XE
XE
=λ
Таким образом, построено отображение множества входных образов
(векторов параметром образов) на множество векторов ошибок.
Проведем эксперименты для градиентного алгоритма с использованием
взвешенного критерия на основе векторов ошибок при распознавании об-
ластей на электрооптических изображениях. Закодируем базу правил с по-
мощью кода Грея (0 – 000, 1 – 001, 2 – 011, 3 – 010, 4 – 110) (табл. 1).
Т а б л и ц а 1 . База правил
№ правила Код признаков № класса
1 1 110 110 110 110 0
2 1 110 000 001 110 1
3 1 110 000 000 110 1
4 1 110 001 000 110 1
5 1 011 010 001 001 2
6 1 001 000 001 000 3
7 1 110 110 001 110 4
8 1 010 110 010 010 5
9 1 010 010 011 010 5
10 1 110 110 010 010 5
11 1 000 000 000 000 6
12 1 010 011 001 011 7
13 1 001 000 000 001 8
14 1 001 001 000 001 8
15 1 001 000 000 000 8
Используя 54 образа (по 6 с каждого класса) научим двухслойный пер-
септрон распознавать образцы согласно базе правил. Остальные 45 образцов
будут использованы для тестирования.
Проведены эксперименты на реальных данных и установлено, что
использование нейро-нечеткого классификатора NEFClass целесообразно
применять для распознавания областей на электрооптических изображени-
ях. При тестировании были ошибочно классифицированы 4 с проверочного
набора данных [3], но для градиентного метода с использованием взвешен-
ного критерия на основе векторов ошибок были ошибочно классифицирова-
ны 1 с проверенного набора данных (табл. 2).
П.В. Четырбок
ISSN 1681–6048 System Research & Information Technologies, 2013, № 2 120
Т а б л и ц а 2 . Сравнительная таблица для алгоритмов обучения весовых
коэффициентов
Обучение Тестирование Алгоритм обучения
весовых
коэффициентов
Средне-
квадратичная
ошибка
Ошибка клас-
сификации
Средне-
квадратичная
ошибка
Ошибка
классифика-
ции
Классический 6,650668 0 7,285827 4
Градиентный 5,9893 0 6,829068 4
Сопряженного
градиента 1,132871 0 3,314763 4
Генетический
с треугольной функцией
принадлежности
11,110936 0 13,677424 4
Генетический
с гаусовской функцией
принадлежности
3,204446 0 4,568338 4
Градиентный
с использованием
взвешеного критерия
3,456378 0 4,435278 1
ВЫВОДЫ
Каждому образу, распознаваемому многослойным персептроном в много-
факторном пространстве ошибок соответствует свой вектор ошибок. Впер-
вые построено решающее правило для классификации образов в виде
утверждения — каждому образу, распознаваемому многослойным персеп-
троном в многофакторном пространстве ошибок будет соответствовать свой
вектор ошибок и образ ближе к эталону, чем больше )(cos λ .
cc XE
XE
||||||||
),()(cos =λ ,
где E — вектор ошибок в пространстве ошибок, полученный при распозна-
вании нейронной сетью входного образа, X — вектор ошибок, полученный
при распознавании нейронной сетью эталона. Предложенный в статье
функционал и решающее правило (взвешенный критерий на основе векто-
ров ошибок для распознавания образов) позволяют улучшить распознавания
областей на электрооптических изображениях до 99 %.
ЛИТЕРАТУРА
1. Хайкин Саймон. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. —
М.: Издательский дом «Вильямс», 2006. — 1104 с.
2. Горбань А.Н. Обучение нейронных сетей. М.: изд.-во СССР-США СП «Па-
раГраф», 1990. — 160 с.
3. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. —
К.: Издательский дом «Слово», 2008. — 344 с.
Поступила 14.12.2012
|
| id | nasplib_isofts_kiev_ua-123456789-50036 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1681–6048 |
| language | Russian |
| last_indexed | 2025-12-07T17:13:56Z |
| publishDate | 2013 |
| publisher | Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| record_format | dspace |
| spelling | Четырбок, П.В. 2013-10-02T23:51:16Z 2013-10-02T23:51:16Z 2013 Построение решающего правила для классификации образов на основе векторов ошибок / П.В. Четырбок // Систем. дослідж. та інформ. технології. — 2013. — № 2. — С. 114-120. — Бібліогр.: 3 назв. — рос. 1681–6048 https://nasplib.isofts.kiev.ua/handle/123456789/50036 004.032.26:004.8 Построено отображение множества образов на множество векторов ошибок распознавания образов нейронною сетью, которое позволяет связать классификацию образов с анализом векторов в пространстве ошибок. Векторный критерий позволяет группировать образы, распознавать, сравнивать и анализировать их. Обоснованы и развиты методы теории нейронных сетей применительно к решению задачи распознавания сигналов с использованием критерия близости распознаваемых образов в пространстве ошибок распознавания. Сформулирован взвешенный критерий близости образов сигналов в пространстве ошибок. Предложен алгоритм перехода из пространства параметров образов в пространство ошибок распознавания образов. Построено оптимальное решающее правило для классификации образов сигналов с использованием взвешенного критерия близости распознаваемых образов в пространстве ошибок распознавания. Достоверность полученных научных результатов, выводов и рекомендаций работы подтверждена результатами экспериментальных исследований разработанной универсальной системы интеллектуального анализа данных, которая решает задачи распознавания объектов электрооптических изображений NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient Conjugate Gradient, Genetic) — Нейро-нечеткий классификатор (Базовый, Градиент, Сопряженный Градиент, Генетический)), проведенных на базе «Института прикладного системного анализа» НТУУ «КПИ». Полученные в работе результаты, наглядно демонстрируют эффективность использования разработанных моделей, методов и алгоритмов для решения задач распознавания сигналов. Побудовано відображення множини образів на множину векторів помилок розпізнавання образів нейронною мережею, яке дозволяє зв’язати класифікацію образів із аналізом векторів у просторі помилок. векторний критерій дозволяє групувати образи, розпізнавати, порівнювати та аналізувати їх. Обґрунтовано й розвинено методи теорії нейронних мереж стосовно до рішення задачі розпізнавання сигналів із використанням критерію близькості образів, що розпізнаються у просторі помилок розпізнавання. Сформульовано зважений критерій близькості образів сигналів у просторі помилок. Запропоновано алгоритм переходу із простору параметрів образів у простір похибок розпізнавання образів. Побудовано оптимальне вирішальне правило для класифікації образів сигналів із використанням зваженого критерію близькості розпізнаваних образів у просторі помилок розпізнавання. Вірогідність отриманих наукових результатів, висновків і рекомендацій роботи підтверджено результатами експериментальних досліджень розробленої універсальної системи інтелектуального аналізу даних, що вирішує задачі розпізнавання об’єктів электрооптических зображень NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient Conjugate Gradient, Genetic) — Нейро-нечіткий класифікатор (Базовий, Градієнт, Сполучений Градієнт, Генетичний)), проведених на базі "Інституту прикладного системного аналізу" НТУУ "КПІ". Отримані в роботі результати наочно демонструють ефективність використання розроблених моделей, методів й алгоритмів для рішення задач розпізнавання сигналів. The display of multiple images on the set of errors vectors of image recognition by neural network, which allows you to associate a classification of images with the analysis of the vectors in the space error, is built. Vector criterion allows you to group images, identify, compare and analyze them. The methods of the theory of neural networks applied to solving the problem of recognition of signals using a criterion of the proximity of the images that are recognized in the space of recognition errors are proved and developed. The weighted criterion of proximity images signals-in-space errors is formulated. The algorithm of the transition from the images parameters space in space of errors of images recognition is proposed. The optimal decisive rule for the classification of images signals using the weighted criterion of the proximity of recognizable images in the space of recognition errors is built. The reliability of the obtained scientific results, conclusions and recommendations of the work is confirmed by the results of experimental research of the developed universal data mining system, which solves the problem of object recognition of the electro-optic images NEFClass BGCGG (Neuro Fuzzy Classifier (Basic Gradient, Connected Gradient, Genetic) — Neuro-fuzzy classifier (Basic Gradient, Connected Gradient, Genetic)), conducted on the basis of the Institute of applied system analysis of NTUU "KPI". The obtained results clearly demonstrate the effectiveness of the use of the developed models, methods and algorithms for solving problems of recognition of signals. ru Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України Системні дослідження та інформаційні технології Математичні методи, моделі, проблеми і технології дослідження складних систем Построение решающего правила для классификации образов на основе векторов ошибок Побудова вирішального правила для класифікації образів на основі векторів похибок Building a decisive rule for classification of images on the basis errors vectors Article published earlier |
| spellingShingle | Построение решающего правила для классификации образов на основе векторов ошибок Четырбок, П.В. Математичні методи, моделі, проблеми і технології дослідження складних систем |
| title | Построение решающего правила для классификации образов на основе векторов ошибок |
| title_alt | Побудова вирішального правила для класифікації образів на основі векторів похибок Building a decisive rule for classification of images on the basis errors vectors |
| title_full | Построение решающего правила для классификации образов на основе векторов ошибок |
| title_fullStr | Построение решающего правила для классификации образов на основе векторов ошибок |
| title_full_unstemmed | Построение решающего правила для классификации образов на основе векторов ошибок |
| title_short | Построение решающего правила для классификации образов на основе векторов ошибок |
| title_sort | построение решающего правила для классификации образов на основе векторов ошибок |
| topic | Математичні методи, моделі, проблеми і технології дослідження складних систем |
| topic_facet | Математичні методи, моделі, проблеми і технології дослідження складних систем |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/50036 |
| work_keys_str_mv | AT četyrbokpv postroenierešaûŝegopraviladlâklassifikaciiobrazovnaosnovevektorovošibok AT četyrbokpv pobudovaviríšalʹnogopraviladlâklasifíkacííobrazívnaosnovívektorívpohibok AT četyrbokpv buildingadecisiveruleforclassificationofimagesonthebasiserrorsvectors |