МОДЕЛЬ ОПТИМІЗАЦІЇ БАГАТОЕТАПНОГО ПРОЦЕСУ НЕЙРОМЕРЕЖЕВОГО НАВЧАННЯ З ФУНКЦІЄЮ ОБМЕЖЕННЯ ВТРАТ У ЗАДАЧІ РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ
Анотація
На прикладі нейромережевого дослідження задачі розпізнавання кольорових зображень розгля-нуто проблему якнайшвидшого виведення системи обробки інформації на оптимальний режим фун-кціонування за умов заздалегідь невідомого розподілу пріоритетів її характеристик. Формалізовано відповідну задачу прийняття рішень, у якій альтернативами є методи навчання нейронної мережі, а її характеристики сприймаються як наслідки. Виходячи з відсутності імовірнісних мір на множині невизначених характеристик системи обробки інформації, за цією задачею прийняття рішень розв’язано матричну гру, у якій оптимальна стратегія другого гравця використовується для комбінованого вибору методів навчання нейронної мережі, незалежно від вагомості її оцінюваних характеристик. Продемонстровано перевагу моделі оптимізації багатоетапного процесу нейромережевого навчання з функцією обмеження втрат перед класичною моделлю реалізації оптимальної стратегії, а також методом навчання, за якого досягається мінімальна відстань до точки утопії.Посилання
1. Трухаев Р. И. Модели принятия решений в условиях неопределённости / Р. И. Трухаев. — М. : Наука, 1981. — 258 с.
2. Теория игр : учеб. пос. для ун-тов / [Л. А. Петросян, Н. А. Зенкевич, Е. А. Семина]. — М. : Высшая школа, Книж-
ный дом «Университет», 1998. — 304 с.
3. Хайкин С. Нейронные сети: полный курс / С. Хайкин. — 2-е изд. — М. : Издательский дом «Вильямс», 2006. — 1104 с.
4. Xudong Jiang. Constructing and training feed-forward neural networks for pattern classification / Xudong Jiang, Alvin
Harvey Kam Siew Wah // Pattern Recognition. — 2003. — Vol. 36, Issue 4. — P. 853—867.
5. Goltsev A. Investigation of efficient features for image recognition by neural networks / A. Goltsev, V. Gritsenko // Neural
Networks. — 2012. — Vol. 28. — P. 15—23.
6. McLoone S. Improving neural network training solutions using regularisation / S. McLoone, G. Irwin // Neurocomputing.
— 2001. — Vol. 37, Issues 1—4. — P. 71—90.
7. Upper bound of the expected training error of neural network regression for a Gaussian noise sequence /
[K. Hagiwara, T. Hayasaka, N. Toda and other] // Neural Networks. — 2001. — Vol. 14, Issue 10. — Pр. 1419—1429.
8. Romanuke V. V. Finding the probability distribution to minimax single-valued mapping for modeling the being controlled
system parameter / V. V. Romanuke // XI International Conference «MCCS-2012», October 9—11, 2012, Vinnytsya : abstracts.
— Vinnytsya : VNTU, 2012. — P. 7—8.
9. Романюк В. В. Метод реалізації оптимальних змішаних стратегій у матричній грі з порожньою множиною сідлових точок у
чистих стратегіях з відомою кількістю партій гри / В. В. Романюк // Наукові вісті НТУУ «КПІ». — 2009. — № 2. — С. 45—52.
10. Томашевський В. М. Моделювання систем / В. М. Томашевський. — К. : вид. група BHV, 2005. — 352 с.
2. Теория игр : учеб. пос. для ун-тов / [Л. А. Петросян, Н. А. Зенкевич, Е. А. Семина]. — М. : Высшая школа, Книж-
ный дом «Университет», 1998. — 304 с.
3. Хайкин С. Нейронные сети: полный курс / С. Хайкин. — 2-е изд. — М. : Издательский дом «Вильямс», 2006. — 1104 с.
4. Xudong Jiang. Constructing and training feed-forward neural networks for pattern classification / Xudong Jiang, Alvin
Harvey Kam Siew Wah // Pattern Recognition. — 2003. — Vol. 36, Issue 4. — P. 853—867.
5. Goltsev A. Investigation of efficient features for image recognition by neural networks / A. Goltsev, V. Gritsenko // Neural
Networks. — 2012. — Vol. 28. — P. 15—23.
6. McLoone S. Improving neural network training solutions using regularisation / S. McLoone, G. Irwin // Neurocomputing.
— 2001. — Vol. 37, Issues 1—4. — P. 71—90.
7. Upper bound of the expected training error of neural network regression for a Gaussian noise sequence /
[K. Hagiwara, T. Hayasaka, N. Toda and other] // Neural Networks. — 2001. — Vol. 14, Issue 10. — Pр. 1419—1429.
8. Romanuke V. V. Finding the probability distribution to minimax single-valued mapping for modeling the being controlled
system parameter / V. V. Romanuke // XI International Conference «MCCS-2012», October 9—11, 2012, Vinnytsya : abstracts.
— Vinnytsya : VNTU, 2012. — P. 7—8.
9. Романюк В. В. Метод реалізації оптимальних змішаних стратегій у матричній грі з порожньою множиною сідлових точок у
чистих стратегіях з відомою кількістю партій гри / В. В. Романюк // Наукові вісті НТУУ «КПІ». — 2009. — № 2. — С. 45—52.
10. Томашевський В. М. Моделювання систем / В. М. Томашевський. — К. : вид. група BHV, 2005. — 352 с.
##submission.downloads##
-
PDF
Завантажень: 64
Переглядів анотації: 101
Як цитувати
[1]
В. В. Романюк, «МОДЕЛЬ ОПТИМІЗАЦІЇ БАГАТОЕТАПНОГО ПРОЦЕСУ НЕЙРОМЕРЕЖЕВОГО НАВЧАННЯ З ФУНКЦІЄЮ ОБМЕЖЕННЯ ВТРАТ У ЗАДАЧІ РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ», Вісник ВПІ, вип. 1, с. 104–109, Берез. 2013.
Номер
Розділ
Інформаційні технології та комп'ютерна техніка
Ліцензія
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
