Preview

Информатика

Расширенный поиск

МНОГОСЛОЙНАЯ НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЯХ

Аннотация

Рассматриваются особенности построения нейронной сети «неокогнитрон» и проводится анализ применения неокогнитрона к решению задачи распознавания изображений. Предлагается новая структура многослойной нейронной сети, основывающаяся на нечеткой логике и ориентированная на классификацию объектов на полутоновых изображениях с искажениями типа смещения. Она позволяет значительно повысить точность распознавания при решении задачи классификации и распознавания изображений.

Об авторах

М. Е. Ваткин
Объединенный институт проблем информатики НАН Беларуси
Беларусь


А. А. Дудкин
Объединенный институт проблем информатики НАН Беларуси
Беларусь


Список литературы

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.


Рецензия

Для цитирования:


Ваткин М.Е., Дудкин А.А. МНОГОСЛОЙНАЯ НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЯХ. Информатика. 2005;(3(7)):60-71.

Просмотров: 434


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)