РОЗПІЗНАВАННЯ ОБРАЗІВ З ВИКОРИСТАННЯМ МЕРЕЖІ БАЙЄСА
DOI:
https://doi.org/10.31649/1997-9266-2024-175-4-115-121Ключові слова:
розпізнавання, мережі Байєса, навчання, тестування, MNIST, ймовірність, нейронна мережа, набір данихАнотація
Нейронні мережі та мережі Байєса — це потужні методи машинного навчання, які використовуються для розв’язання широкого кола задач. Нейронні мережі — це обчислювальні системи, які складаються з взаємозв’язаних штучних нейронів, що обробляють інформацію та передають результат іншим нейронам. Мережі Байєса, відомі як мережі довіри або причинно-наслідкові мережі, відносяться до типу ймовірнісно-графових моделей. Вони використовуються для представлення залежностей між змінними та розрахунку ймовірностей різних подій. Мережі Байєса дозволяють обчислювати ймовірність певної події, враховуючи інші відомі події. Вони використовують теорему Байєса для оновлення ймовірностей змінних у мережі. Через Їхню інтуїтивність, гнучкість, ефективність та інтегрованість мережі Байєса є актуальними в багатьох сферах застосування. Метою цієї роботи є розробка та тестування нейронної мережі Байєса для розпізнавання рукописних цифр. У дослідженні розроблено і протестовано багатошарову перцептронну мережу Байєса для класифікації рукописних цифр. Для навчання моделі використовувався набір даних MNIST, який містить 70 000 зображень рукописних цифр з позначками. Використаний набір даних широко використовується для тестування алгоритмів розпізнавання зображень. Для оцінки ефективності мережі використовувалася тестова підмножина даних, яка містить 10 000 зображень рукописних цифр. Розроблена модель продемонструвала точність 93,92 %, що є кращим результатом, ніж у інших методів машинного навчання для розпізнавання рукописних цифр. Ця модель може бути корисною для розробки систем автоматичного розпізнавання тексту, таких як поштові сортувальні машини та чекові сканери. Дослідження показує, що мережа Байєса є перспективним методом для класифікації рукописних цифр, що підтверджує дослідження. Отже, можна підсумувати, що мережі Байєса не є бездоганними. Їхня точність залежить від якості даних та правильності моделі. Проте, якщо їх правильно використовувати, вони можуть бути потужним інструментом для виявлення закономірностей та прийняття рішень.
Посилання
Д. С. Клєщ, і В. М. Федорченко, «Аналіз підходів до розв’язання задач розпізнавання образів з використанням штучного інтелекту,» Системи управління, навігації та зв’язку. Збірник наукових праць, т. 1, вип. 71, с. 96-100, Бер 2023. https://doi.org/10.26906/SUNZ.2023.1.096 .
A. M. Ковальчук, Г. В. Марчук, і Д. К. Марчук , «Застосування згорткової нейронної мережі для розпізнавання рукописних символів,» Вчені записки ТНУ імені В. І. Вернадського, технічні науки, т. 30 (69), № 4, с. 68-73, 2019. https://doi.org/10.32838/2663-5941/2019.4-1/13 .
V. Levkivskyi, et al., “Available parking places recognition system,” CEUR Workshop Proceedings 4th Workshop for Young Scientists in Computer Science & Software Engineering: Virtual Event, vol. 3077, pp. 123-134, 2022. [Electronic resource]. Available: https://ceur-ws.org/Vol-3077/paper07.pdf .
В. Л. Левківський, Г. В. Марчук, В. В. Ципоренко, і Д. К. Марчук, Комп’ютерна програма «Алгоритмічно-програмне забезпечення обробки та аналізу потоку кадрів відеоданих, що надходять з камер міста». 2021 [Електронний ресурс]. Режим доступу: http://eztuir.ztu.edu.ua/bitstream/handle/123456789/8019/109822.pdf?sequence=1&isAllowed=y Дата звернення 10.03.2024.
A. Ali, et al., “Human Activity and Motion Pattern Recognition within Indoor Environment Using Convolutional Neural Networks Clustering and Naive Bayes Classification Algorithms,” Sensors 22, no. 3, 1016, 2022. https://doi.org/10.3390/s22031016 .
A. Lesniak, and F. Janowiec, “Risk assessment of additional works in railway construction investments using the Bayes network,” Sustainability, no. 19, pp. 5388, 2019. https://doi.org/10.3390/su11195388 .
L. Surace, et al., “Emotion recognition in the wild using deep neural networks and Bayesian classifiers,” in Proceedings of the 19th ACM International Conference on Multimodal Interaction (ICMI ‘17). Association for Computing Machinery, New York, NY, USA, pp. 593-597, 2017. https://doi.org/10.1145/3136755.3143015 .
MC. Roh, and SW. Lee, “Human gesture recognition using a simplified dynamic Bayesian network,” Multimedia Systems 21, pp. 557-568, 2015. https://doi.org/10.1007/s00530-014-0414-9 .
W. Chen, et al., “Wildfire risk assessment of transmission-line corridors based on naïve bayes network and remote sensing data,” Sensors, 21, no. 2, p. 634, 2021. https://doi.org/10.3390/s21020634 .
Z. Liu, et al., “Reliability evaluation of dynamic face recognition systems based on improved Fuzzy Dynamic Bayesian Network,” International Journal of Distributed Sensor Networks, no. 16(3), 2020. https://doi.org/10.1177/1550147720911558 .
V. Levkivskyi, N. Lobanchykova, and D. Marchuk, “Research of algorithms of Data Mining,” E3S Web of Conferences, vol. 166:05007, 2020. https://doi.org/10.1051/e3sconf/202016605007 ,
K. Shahab, “Novel swarm intelligence algorithms for structure learning of Bayesian Networks and a Comparative evaluation,” PHD thesis. Computer Engineering, Yasar University, Bornova / Izmir. 2020. https://doi.org/10.13140/RG.2.2.14284.85121 .
MNIST. 2015. [Online]. Available: https://paperswithcode.com/dataset/mnist Accessed on: 01.04.2024.
##submission.downloads##
-
pdf
Завантажень: 34
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
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).
