МНОГОСЛОЙНАЯ НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЯХ
Abstract
About the Authors
М. ВаткинBelarus
А. Дудкин
Belarus
References
1. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. – Мн.: Ин-т техн. кибернетики НАН Беларуси, 2000. – 304 с.
2. Cheng-Yuan L., Hsing-Chang Y. Hand printed Character Recognition Based on Spatial Topology Distance Measurement // IEEE Transaction on Pattern Analysis and Machine Intelli-gence. –V. 18 (9). 1996.
3. Головко В.А. Нейроинтеллект: теория и применение. В 2 кн. Кн. 1: Организация и обучение нейронных сетей с прямыми и обратными связями. – Брест: Изд-во БПИ, 1999. – 264 с.; Кн. 2: Самоорганизация, отказоустойчивость и применение нейронных сетей. – Брест: Изд-во БПИ, 1999. – 228с.
4. Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biol. Cybern. – V. 36. – 1980. – P. 193–202.
5. Fukushima K., Miyake S. Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position // Pattern Recognition. – V. 15. – 1982. – P. 455–469.
6. Fukushima K., Miyake S., Ito T. Neocognitron: A neural network model for a mechanism of visual pattern recognition // IEEE Trans. Syst., Man, Cybern. – V. SMC-13. – 1983. – P. 826–834.
7. Fukushima K., Wake N. Handwritten alphanumeric character recognition by the Neocognitron // IEEE Trans. on Neural Networks. – V. 2. – № 3. – 1991. – P. 355–365.
8. Hubel D.H., Wiesel T.N. Receptive fields, binocular interaction and functional architec-ture in cat’s visual cortex // J. Physiol (London). – V. 160. – Jan. 1962. – P. 106–154.
9. Hubel D.H., Wiesel T.N. Receptive fields and functional architecture in two nonstriate visual area (18 and 19) of the cat // J. Neurophysiol. – V. 28. – 1965. – P. 229–289.
10. Sadykhov R., Vatkin M. New training algorithm of neural network «neocognitron» for recognition of hand-written symbols // Proc. of 6 International сonf. «Pattern recognition and information processing». V. 1. – Minsk (Belarus), May 18–20, 2001. – P. 203–212.
11. Sadykhov R.Kh., Klimovich A.N., Vatkin M. The models of neural networks for videoimage processing in industrial applications // NATO advanced study institute on neural networks for instrumentation, measurment, and related industrial applications. – Crema, Italy, 2001. – P. 78–84.
12. Садыхов Р.Х., Ваткин М.Е. Алгоритм обработки полутоновых изображений инте-гральных микросхем на базе нейронной сети «неокогнитрон» // Цифровая обработка изображений. – Мн.: Ин-т техн. кибернетики НАН Беларуси, 2001. – С. 68–75.
13. Ваткин М.Е. Оптимизация структуры и алгоритмов нейронной сети «неокогнитрон» // Информатика. – 2004. – № 1. – С. 61–71.
14. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2004. – 344 с.
15. Ваткин М.Е. Распознавание рукописных символов на основе модифицированной SOM нейронной сети // Мат. I Междунар. конф. – Мн.: Изд-во БГУ, 2002. – Ч. 2. – C. 201–206.
16. Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. – Новосибирск: Наука, 1985. – 110 с.
17. Прикладная статистика: классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. – М.: Финансы и статистика, 1989.
Review
For citations:
, . Informatics. 2005;(3(7)):60-71.
Email this article 