Математические методы моделирования, управления и анализа данных
УДК 004.891.3
ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРИ РЕШЕНИИ ЗАДАЧИ РАСПОЗНАВАНИЯ ЛИЦ ПО ИХ ИЗОБРАЖЕНИЮ
О. А. Мальцева
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: malya97@mail.ru
Работа посвящена вопросам нейросетевого моделирования. Производится сравнительный анализ эффективности нейросетевой модели с алгоритмами интеллектуального анализа данных (искусственная нейронная сеть, деревья решений, метод опорных векторов) при решении задачи распознавания образов.
Ключевые слова: искусственная нейронная сеть, интеллектуальный анализ данных, распознавание образов.
INVESTIGATING EFFICIENCY OF NEURO NETWORK MODELS WHILE SOLVING THE PURPOSE OF RECOGNITION OF PERSONS ON THEIR IMAGE
O. A. Maltseva
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: malya97@mail.ru
The work focuses on the problems of neural network modeling. The research performs a comparative analysis of the efficiency of a neural network model with intelligent data analysis algorithms (artificial neural network, decision trees, and support vector method) to solve the pattern recognition problem.
Keywords: artificial neural network, intelligent data analysis, pattern recognition.
На сегодняшний день нейросетевые модели применяются во многих сферах человеческой деятельности за счет своей способности обучаться на основе данных [1]. Поэтому данная статья посвящена исследованию эффективности нейросетевого моделирования.
Мозг на протяжении всей жизни человека способен распознавать и запоминать различные образы, однако это происходит в процессе обучения, то же происходит и с нейронными сетями. Распознавание образов - это процесс, в котором получаемый образ может быть отнесен к определенным категориям [2].
Задача заключается в том, что необходимо оценить эффективность нейросетевой модели при решении задачи распознавания лиц по их изображению и провести сравнительный анализ с другими алгоритмами интеллектуального анализа данных.
В исследовании использовалась нейросетевая модель, реализованная в программной среде Embarcadero® C++Builder 10 Seattle. В программной системе реализована возможность строить нейронную сеть прямого распространения типа многослойный персептрон, с двумя алгоритмами обучения: метод сопряженных градиентов (МСГ) и градиентного спуска (ГС). Для проведения сравнительного анализа эффективности были использованы следующие алгоритмы интеллектуального анализа данных в программной системе RapidMiner Studio: искусственная
нейронная сеть (ANN), метод деревьев принятия решений (WJ) и метод опорных векторов (SMO).
Для решения поставленной задачи были взяты изображения различного типа: с различной освещенностью, положением головы, открытым и закрытым ртом, с очками и без, с разным выражением лица [3].
Объем обучающей выборки - 280 объектов, а тестовой - 120. Для снижения размерности задачи был произведен отбор информативных признаков методом главных компонент от 5 до 50 компонент. На каждой задаче алгоритм запускался многократно, результаты усреднялись, после чего был применен оператор T-Test по критерию Стьюдента (уровень значимости -0,05).
Результаты проведенных исследований представлены в табл. 1, 2 и 3.
По результатам исследований было выявлено, что различия между алгоритмами МСГ и ГС являются статистически незначимыми при малом числе компонент.
При 5 и 10 компонентах различия между алгоритмами МСГ, ANN и WJ являются статистически значимыми, при этом алгоритм МСГ имеет большее среднее значение точности.
Проведенные исследования не дают однозначных выводов по эффективности применения алгоритмов обучения МСГ и ГС к искусственной нейронной сети.
Решетневские чтения. 2017
Таблица 1
Результаты тестирования (5 компонент)
38,52 % 48,33 % 74,49 % 59,66 %
Т-тест ГС SMO ANN WJ
62,19 % МСГ 0,733645677 0,000851 0,00404134 0,000389
38,52 % ГС 0,004983 9,05197E-05 0,001972
48,33 % SMO 0,000549778 0,01299
74,49 % ANN 0,000816
59,66 % WJ
Таблица 2
Результаты тестирования (10 компонент)
61,24 % 78,66 % 89,33 % 62,16 %
Т-тест ГС SMO ANN WJ
66,81 % МСГ 0,077678448 1,71879E-05 8,41066E-07 0,000608
61,24 % ГС 9,27587E-07 7,71244E-06 0,001641
78,66 % SMO 0,001209456 0,002267
89,33 % ANN 0,000525
62,16 % WJ
Таблица 3
Результаты тестирования (50 компонент)
62,19 % 89,67 % 93,83 % 62,66 %
Т-тест ГС SMO ANN WJ
71,39 % МСГ 0,021179 0,010314 0,000131 0,097412
62,19 % ГС 0,005812 0,000145 0,176199
89,67 % SMO 0,21815 0,013066
93,83 % ANN 0,002253
62,66 % WJ
Библиографические ссылки
1. Neural network models [Электронный ресурс]. URL: https://www.0texts.0rg/fpp/9/3 (дата обращения 25.08.2017).
2. Полякова О. С. Разработка ансамблей нечетких систем интеллектуального анализа данных / СибГУ. 2017.
3. Simon Hay kin. Neural networks : A Comprehensive Foundation. // McMaster University Hamilton, Ontario, Canada. 2006. С. 113-115.
References
1. Neural network models. Available at: https://www.otexts.org/fpp/9/3 (accessed: 25.08.2017).
2. Polyakova O. S. Razrabotka ansambley nechetkikh sistem intellektual'nogo analiza dannykh // SibGU. 2017.
3. Simon Haykin. Neural networks : A Comprehensive Foundation. // McMaster University Hamilton, Ontario, Canada. 2006. С. 113-115.
© Мальцева О. А., 2017