ISSN 2071-8594

Russian academy of sciences

Editor-in-Chief

Gennady Osipov

П. Ш. Гейдаров "Эксперимент по созданию нейронной сети с весами, определяемыми потенциалом имитированного электростатического поля"

Аннотация.

В данной работе на основе архитектуры нейронной сети, реализующей метрический метод распознавания, выполнены эксперименты определения значений весов и порогов нейронной сети при помощи параметра электростатического поля – потенциала, без использования дополнительных аналитических вычислений и применения алгоритмов обучения. Имитация электростатического поля выполнена в программной среде Builder C++, в которой реализовано вычисление значения суммарного потенциала электростатического поля в точках предложенной модели (в точках расположения датчиков – потенциометров). В этом же программном модуле реализована возможность создания нейронной сети на основе метрических методов распознавания, для которой значения весов нейронов первого слоя определяются исходя из показателей полученных потенциалов имитируемого электростатического поля. Эффективность нейронной сети проверялась на контрольной базе цифр MNIST.

Ключевые слова:

нейронные сети, распознавание изображений, MNIST, алгоритмы обучения, потенциал электростатического поля, электростатическое поле.

Стр. 78-92.

DOI 10.14357/20718594210208

Литература

1. Базенков Н.И., Воронцов Д.Д., Дьяконова В.Е., Жиля-кова Л.Ю., Захаров И.С., Кузнецов О.П., Куливец С.Г.
Дискретное моделирование межнейронных взаимо-действий в мультитрансмиттерных сетях // Искусственный интеллект и принятие решений. 2017. № 2. С. 55-73.
2. Осипов В.Ю., Никифоров В.В. Возможности рекур-рентных нейронных сетей с управляемыми элементами по восстановлению потоков кадров //Информационно-управляющие системы. 2019. № 5 (102). С. 10-17.
3. Кузнецов О.П., Базенков Н.И., Болдышев Б.А., Жилякова Л.Ю., Куливец С.Г., Чистопольский И.А. Асинхронная дискретная модель химических взаимодействий в простых нейронных системах // Искусственный интеллект и принятие решений. 2018. № 2. С. 3-20.
4. Ле Т.Ч. Сравнение нейронной сети смас и многослойной нейронной сети в задаче обнаружения dos-атак // Нейрокомпьютеры: разработка, применение. 2016. №7. С. 65-69.
5. Голов Д.В., Красовская Л.В. Нейронные сети и распознание рукописных цифр на основе искусственных нейронных сетей // Исследования технических наук. 2014. № 4 (14). С. 18-20.
6. Дрокин И.С. Об одном алгоритме последовательной инициализации весов глубоких нейронных сетей и обучении ансамбля нейронных сетей // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2016. № 4. С. 66-74.
7. Лукина А.С., Некрасов М.В., Пакман Д.Н. Обработка телеметрической информации космического аппарата нейронными сетями на основе теории фильтров калмана // Тенденции развития науки и образования. 2016. № 13-1. С. 43-45.
8. Хусаинов А.Т. Оценка прогнозируемости системы поддержания пластового давления нейронными сетями на нефтяных месторождениях // Академический журнал Западной Сибири. 2016. Т. 12. № 3 (64). С. 48.
9. Бондарко В.М., Бондарко Д.В., Солнушкин С.Д., Чихман В.Н. Моделирование результатов психофизических экспериментов нейронными сетями // Нейрокомпьютеры: разработка, применение. 2018. № 5. С. 31-33.
10. Peng Shi, Fanbiao Li, Ligang Wu, Neural Network-Based Passive Filtering for Delayed Neutral-Type Semi-Markovian Jump Systems // IEEE Transactions on Neural Networks and Learning Systems. 2017. V. 28. I. 9. Р. 210- 2114.
11. Chenggang Yan, Hongtao Xie , Dongbao Yang, Jian Yin, Yongdong Zhang , Qionghai Dai, Supervised Hash Coding With Deep Neural Network for Environment Perception of Intelligent Vehicles // EEE Transactions on Intelligent Transportation Systems. 2018. V. 19, I. 1. Р. 284 – 295.
12. Wei He; Yuhao Chen; Zhao Yin, Adaptive Neural Network Control of an Uncertain Robot With Full-State Constraints // IEEE Transactions on Cybernetics. 2016. V. 46. I. 3. Р. 620 – 629.
13. Andre Esteva, Brett Kuprel, Roberto A. Novoa, Justin Ko, Susan M. Swetter, Helen M. Blau & Sebastian Thrun, Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. V. 542. Р. 115–118.
14. Горбань А.Н., Дудин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика, Новосибирск: Наука. 1998. 296 с.
15. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия–Телеком. 2001. 328 с.
16. Yann LeCun, Yoshua Bengio, Geoffrey Hinton Deep learning // Nature. 2015. V. 521. No. 7553. P. 436-444.
17. Geidarov, P.Sh. Neural networks on the basis of the sample method // Automatic Control And Computer Sciences. 2009. V. 43. № 4. pp. 203-210.
18. Гейдаров, П.Ш. Архитектура нейронной сети с попарно последовательным разделением образов. // Прикладная дискретная математика. 2018. №41. C. 98-109.
19. Гейдаров, П. Ш. Нейронные сети на основе метрических методов распознавания в применении к задачам с нечеткими выводами // Искусственный интеллект и принятия решений. 2010. № 2. C. 77-88.
20. Geidarov, P.Sh. Multitasking application of neural networks implementing metric methods of recognition, Autom. Remote Control. 2013. V. 74. P. 1474-1485.
21. Geidarov P. Sh. Clearly Defined Neural Networks Architecture // Optical Memory & Neural Networks, 2015. V. 24. I. 3. P. 209-219.
22. Geidarov, P.Sh. Neural Networks with Image Recognition by Pairs // Optical Memory and Neural Networks, 2018. V. 27. No.2. P. 113–119.
23. Гейдаров П.Ш. Алгоритм вычисления значений весов синапсов первого слоя нейронной сети на основе метрических методов распознавания. Часть 1 // Информационно-Управляющие Системы. Санкт-Петербург. 2020. №2. C. 20-30.
24. Гейдаров П.Ш. Алгоритм вычисления значений весов синапсов первого слоя нейронной сети на основе метрических методов распознавания. Часть 2 // Информационно-Управляющие Системы, Санкт-Петербург. 2020. №3. C. 25-38.
25. Биргер И.А. Техническая диагностика. М.: Машиностроение. 1978.
26. Гейдаров П. Ш. Алгоритм реализации метода ближайшего соседа в многоcлойном персептроне // Труды СПИИРАН. 2017. Т. 51. C. 123-151.
27. Geidarov P. Sh. Comparative Analysis of the Results of Training a Neural Network with Calculated Weights and with Random Generation of the Weights // Automation and Remote Control. 2020. V. 81. No.7. P. 1211-1229.