CC BY
0
Актуальные проблемы авиации и космонавтики - 2020. Том 2
УДК 004.932.72
РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ НЕЙРОННОЙ СЕТЬЮ
Я. Д. Димитрова Научный руководитель - Т. Г. Долгова
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газеты «Красноярский рабочий», 31
E-mail: dimitrovayan@mail.ru
Рассматриваетсяметод идентификации изображении с помощью нейронной сети.
Ключевые слова: нейрон, осциллятор, координата, векторная форма, синхронизация.
NEURAL NETWORK IMAGE RECOGNITION
Y. D. Dimitrova Scientific Supervisor - T. G. Dolgova
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation E-mail: dimitrovayan@mail.ru
The article discusses the method ofimage identification using a neural network.
Keywords: neuron, oscillator, coordinate, vector shape, synchronization.
В современном мире применение искусственных нейронных сетей стало успешным и широко используемым. Они применяются во многих областях для решения различных проблем.
Нейронные сети сильно могут отличаться друг от друга, но у них есть общие черты.
Основой каждой нейронной сети являются простые ячейки, имитирующие работу нейронов мозга. Изначально нейронная сеть позволяла распознавать образцы почерков людей и их формирование на основе рукописных материалов. Но теперь такие сети способны решать задачи различных областей и идентифицировать изображения. Нейронные сети могут быть реализованы с помощью программ или могут состоять из физических устройств, чаще всего колебательных. В такихустройствах происходят ритмические изменения показателей каждого нейрона.
В 2018 году был разработан новый метод идентификации изображений, который при помощи малых устройств, имеющих небольшое количество нейронов, позволил выполнять трудные когнитивные задачи. В этом исследованииученымибыли использованы сети из нескольких нейронов-осцилляторов в качестве модельных объектов на основе электрических переключателей, состоящих из диоксида ванадия. Эти устройства имеют характеристики, которые под действием температуры изменяются, что позволяет управлять системой. Любой нейрон под воздействием тепла, распространённый через подложку, на которой находятся переключатели, производит свои импульсы, что дает возможность следующему переключателю, получая сигнал, переходить из состояния открытого в закрытое или наоборот. Переходылюбого нейрона происходят на некоторой частоте, и через определенное время эти частоты осцилляторов синхронизируются. Если происходят эти переключения
Секция «Информационно-экономические системы»
нейронов, то такое состояние системы называют синхронным. Каждое подобное состояние можно использовать для обучения сети. В некоторых случаях переход между состояниями может быть достигнут изменением сил связи или интенсивности шума. Диапазон изменения параметров управления, при котором синхронизация не меняет своего состояния, называется областью синхронизации.[1]
Существование синхронизации областей обеспечивает распознавание вектора даже при незначительном смещении его координат отсохраненных шаблон.
Для метода основой стала найденнаячастичная синхронизация системы. Колебания различных нейронов в сети синхронизируются на основной частоте и на частотах, которые равны ее кратным долям. Если принимать во внимание эти субгармоники, то частотная область синхронизации заметноувеличивается, а число возможных синхронных состояний многократно возрастает. Было смоделировано достижение 260 состояний синхронизации для системы из двух осцилляторов и 650 — из трех. Любое из них потенциально может быть использовано для распознавания и запоминания информации.[2]
Для описания изображений и их запоминания такую информацию переводят в векторную форму, так как каждый признак объекта будет являться координатой вектора.
Тестирование вектора распознавания предполагает, где эффективность параметра синхронизации используется как степень соответствия. Для уменьшения неоднозначности признания, число, согласованное в каждом векторе, должно быть минимум на единицу меньше числа осцилляторов. Колебательные сети, имеющих малое количество составляющих, могут совершать трудные операции, так как любой нейрон имеет не одно нейронное состояние, например:идентификация изображения, видео, речи и также решение задач прогнозирования и оптимизации.[3]
На сегодняшний день, продолжается исследование нейронных сетей в области распознавания изображений, так как это позволит еще больше улучшить распознавание объектов в системе видеонаблюдении, в медицине, в геодезии и других областях.
Библиографические ссылки
1. Распознавание изображений нейронной сетью [Электронный ресурс]. URL: https://indicator.ru/mathematics/raspoznavanie-obrazov-nejroset-04-12-2018.htm (дата обращения: 27.12.2019).
2. Применение нейронных сетей в распознавании изображений [Электронный ресурс]. URL: https://habr.com/ru/post/74326/ (дата обращения: 27.12.2019).
3. Применение нейронных сетей в распознавании изображений [Электронный ресурс]. URL: https://www.fundamental-research.ru/ru/article/view?id=41621 (дата обращения 27.12.2019).
© Димитрова Я. Д., 2020
