МОДЕЛЬ ОПТИМІЗАЦІЇ БАГАТОЕТАПНОГО ПРОЦЕСУ НЕЙРОМЕРЕЖЕВОГО НАВЧАННЯ З ФУНКЦІЄЮ ОБМЕЖЕННЯ ВТРАТ У ЗАДАЧІ РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ

  • В. В. Романюк Хмельницький національний університет

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.

Біографія автора

В. В. Романюк, Хмельницький національний університет
доцент, кафедра прикладної математики та соціальної інформатики

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.
Як цитувати
[1]
В. Романюк, МОДЕЛЬ ОПТИМІЗАЦІЇ БАГАТОЕТАПНОГО ПРОЦЕСУ НЕЙРОМЕРЕЖЕВОГО НАВЧАННЯ З ФУНКЦІЄЮ ОБМЕЖЕННЯ ВТРАТ У ЗАДАЧІ РОЗПІЗНАВАННЯ ЗОБРАЖЕНЬ, Вісник Вінницького політехнічного інституту, № 1, с. 104-109, 1.
Номер
Розділ
Інформаційні технології та комп'ютерна техніка