Спосіб настроювання вагових коефіцієнтів тришарового персептрона для вирішення задач розпізнавання образів і діагностики

Спосіб настроювання вагових коефіцієнтів тришарового персептрона для вирішення задач розпізнавання образів і діагностики, який полягає у тому, що класифікацію об'єктів за ознаками роблять на основі тришарового персептрона, що перетворює вхідну інформацію у бінарний номер класу екземпляра, який відрізняється тим, що ваги тришарового персептрона настроюють автоматично у безітераційному режимі на основі інформації, що характеризує поділ об'єктів у метричному просторі, для чого виділяють центри зосередження екземплярів класів об'єктів, визначають ступені близькості об'єктів до ВІДПОВІДНИХ центрів класів у двовизначених площинах та поєднують результати двовимірних класифікацій з визначенням і урахуванням значимостей Винахід відноситься до кібернетики й обчислювальної техніки і може бути використаним для розпізнавання образів і визначення технічного стану (діагностики) технічних об'єктів без їхнього розбирання Відомий спосіб розпізнавання образів на основі методу потенційних функцій [1], який полягає в тому, що класифікація екземплярів здійснюють за ступенем їхньої близькості до центрів зосередження екземплярів класів у метричному просторі ознак Недоліком даного способу є невисока точність розпізнавання образів з нелінійними границями, що обумовлюється зневагою взаємозв'язками ознак Найбільш близьким до запропонованого є спосіб розпізнавання на основі тришарового персептрона [2], який представляє собою окремий випадок штучної нейронної мережі, що полягає в навчанні тришарового персептрона розпізнаванню образів шляхом настроювання вагових коефіцієнтів його нейронів, що здійснюють на основі градієнтних алгоритмів безумовної багатовимірної оптимізаци в ітераційному режимі Недоліком відомого способу є повільна швидкість навчання, що обумовлюється ітераційністю процедур настроювання ваг В основу винаходу поставлена задача підвищення швидкості навчання розпізнаванню образів й точності обчислень на основі тришарового персептрона Поставлена задача вирішується тим, що в способі настроювання вагових коефіцієнтів тришарового персептрона для рішення задач розпізнавання образів і діагностики, який полягає в тому, що класифікацію об'єктів за ознаками роблять на основі тришарового персептрона, що перетворює вхідну інформацію у бінарний номер класу екземпляру, ваги тришарового персептрона настроюють автоматично у безітераційному режимі на основі інформації, що характеризує поділ об'єктів у метричному просторі, для чого виділяють центри зосередження екземплярів класів об'єктів, визначають ступені близькості об'єктів до ВІДПОВІДНИХ центрів класів у двопризнакових площинах та поєднують результати двовимірних класифікацій з визначенням і урахуванням їхніх значимостей Це дозволяє з одного боку збільшити швидкість навчання персептрону за рахунок автоматичного безітераційного попереднього розрахунку його параметрів, а з іншого боку підвищити точність обчислень персептрона шляхом урахування значимостей і взаємозв'язків параметрів розпізнаваних образів, яке здійснюється шляхом розбивки та групування 00 00 47881 вхідного простору сигналів на пари, введення і розрахунку для кожної пари сигналів коефіцієнта значимості та врахування коефіцієнта значимості при прийнятті рішення про віднесення розпізнаваного об'єкта до того чи іншого класу Настроювання параметрів тришарового персептрона для рішення задач розпізнавання і діагностики (класифікації) здійснюють наступним чином Задають навчальну вибірку екземплярів, які характеризуються певними ознаками Кожному екземпляру даних зіставляють бінарний номер, який визначає приналежність екземпляра до певного класу Навчальну вибірку із зіставленими номерами класів вводять у пам'ять ЕОМ При цьому значення ознак екземплярів навчальної вибірки зберігають в масиві х, що складається з екземплярів xq де q - номер екземпляра з навчальної вибірки, і - номер ознаки екземпляра Бінарні номери (коди) класів зберігають в масиві К, що складається з елементів Kq, де q - номер екземпляра навчальної вибірки На основі введених даних визначають параметри, необхідні для настроювання ваг персептрона Для цього спочатку визначають координати центрів зосередження екземплярів для двох класів Координату С центра зосередження екземплярів, що належать до класу А, за і-ою ознакою визначають за формулою СА Ух' 1 x q є А A * • N Й •' ' ' де NA- КІЛЬКІСТЬ екземплярів, що належать до класу А, xq - і-та ознака q-ro екземпляра навчальної вибірки Схв Координату і центра зосередження екземплярів, що належать до класу В, за і-ою ознакою визначають за формулою ,в С в =——Ухч х ч є В I ч»| N де N - КІЛЬКІСТЬ екземплярів, що належать до класу В Отримані координати центрів зосередження екземплярів зберігають в пам'яті ЕОМ, на якій відбувається навчання персептрона Після ЦЬОГО знаходять і зберігають в пам'яті ЕОМ о КІЛЬКІСТЬ помилкових рішень при двовимірній класифікації за і-ою та j-ою ознаками для усіх екземплярів навчальної вибірки за формулою де s - КІЛЬКІСТЬ екземплярів навчальної вибірки, Kq - значення, зіставлене класу q-ro екземпляра, Kq, результат двовимірної класифікації q-ro екземпляра за і-ою та j-ою ознаками, що визначають на основі розрахунку близькості розпізнаваного екземпляра до центрів класів формулами за ( рА ЯКЩО q інакше - Kq, = 0 Для настроювання вагових коефіцієнтів персептрона на основі записаних у пам'ять ЕОМ знайдених кількостей помилкових рішень розраховують і зберігають у пам'яті ЕОМ а,, значимості результатів часткової класифікації за іою та j-ою ознаками І ч де N - КІЛЬКІСТЬ ознак, що характеризують екземпляри навчальної вибірки Ваговий коефіцієнт Р р-го входу k-го нейрона р-го шару персептрона розраховують наступним чином Р-І. p>O,p#j, ViJ- i = l,2,- ,N, j = i,(t-i-i), , N . Для цього використовують збережені значення попередньо розрахованих параметрів з пам'яті ЕОМ Функції активації ф(м к| для к-го нейрона р-го шару задають за наступними правилами 1 + е" 7 Такий механізм настроювання параметрів тришарового персептрона дозволяє прискорити процес навчання розпізнаванню і збільшити точність обчислень На кресленні представлена схема тришарового персептрона, який навчають запропонованим способом Після навчання персептрона запропонованим способом його можна використовувати для рішення задач розпізнавання та діагностики Для цього формують розпізнавальну вибірку екземплярів з тим же набором ознак, що використовувалися для характеристики екземплярів навчальної вибірки Вибірку вводять у пам'ять ЕОМ Ознаки для кожного розпізнаваного екземпляра з цієї вибірки подають на входи 47881 1 Фор А Восприятие и распознавание образов - М Машиностроение 1989-с 167-170 2 Горбань А Н , Россиев Д А Нейронные сети на персональном компьютере -Новосибирск Наука, 1996-с 123-127 персептрона, які за допомогою стандартних обчислень [2] з використанням значень ваг, знайдених за допомогою запропонованого способу, персептрон перетворює у бінарний номер класу цього екземпляра Використані джерела ФІГ. ДП «Український інститут промислової власності» (Укрпатент) вул Сім'ї Хохлових, 15, м Київ, 04119, Україна (044) 456 - 20 - 90 ТОВ "Міжнародний науковий комітет" вул Артема, 77, м Київ, 04050, Україна (044)216-32-71