РОЗРОБКА ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ З МОЖЛИВІСТЮ ДОНАВЧАННЯ, ЗБЕРІГАННЯ Й ВІДНОВЛЕННЯ ЗІ СВОЄЇ ПАМ’ЯТІ МНОЖИН АСОЦІАТИВНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.20998/2413-4295.2024.03.02Ключові слова:
штучна нейронна мережа, адаптивна резонансна теорія, нейромережева пам’ять, множини асоціативних зображеньАнотація
Створено нову багатонаправлену штучну нейронну мережу, яка може використовуватися у автоматизованих системах керування для управління складними технічними об'єктами. Описано структуру та принципи функціонування розробленої штучної нейронної мережі. Архітектура мережі заснована на перебудові багатонаправленої нейромережевої пам’яті через інтеграцію в його структуру N модулів, заснованих на дискретних нейронних мережах адаптивної резонансної теорії та проміжного шару нейронів, в якому елементи зв'язані парами двонаправлених зважених зв'язків, що містить відповіді елементи розпізнавальних шарів N одноакових модулів, які функціонують паралельно, причому кожний модуль є дискретною нейронною мережею АРТ-1У. Кожен модуль складається з шарів інтерфейсних елементів, нейронні структури яких пов'язані з відповідними сенсорними елементами через бінарні двонаправлені зв'язки, організовані у пари. Модулі також мають розпізнавальні шари елементів, нейрони яких встановлюють зв'язок з відповідними їм інтерфейсними шарами через пари двонаправлених зважених зв'язків з безперервними ваговими коефіцієнтами. У складі модулів також присутні вирішуючі нейрони, які зв'язані гальмуючими й збудливими зв'язками з усіма елементами інтерфейсних, розпізнавальних та сенсорних шарів. Крім того, є керуючі нейрони, які також зв'язані гальмуючими й збудливими зв'язками з усіма елементами шарів (сенсорних, інтерфейсних й розпізнавальних) та додатково, вони зв'язані з керуючими нейронами, які мають зв'язки зі всіма нейронами в проміжному шарі елементів нейронної мережі.. Підтверджено, що додаванням перерахованих вище елементів в структуру нової штучної нейронної мережі досягається можливість роботи пристрою багатонаправленої нейромережевої пам’яті з асоціативними зображеннями та можливістю донавчання в процесі функціонування. Проведено порівняльний аналіз з існуючою мережею для розпізнавання образів. Зазначені переваги та недоліки багатонаправленої нейромережевої пам’яті. Визначені удосконалені алгоритми розпізнавання й класифікації образів, завдяки яким багатонаправлена нейромережева пам’ять здатна донавчатися під час своєї роботи, а також зберігати та відтворювати множини асоціативних зображень зі своєї пам’яті.
Посилання
Suzuki K. Architectures and Applications. Artificial Neural Networks. InTech, 2013, 256 p.
Bianchini M. Handbook on Neural Information Processing. Intelligent Systems Reference Library. Springer, 2013, 499 p., doi: 10.1007/978-3-642-36657-4.
Cirrincione M., Pucci M. and Vitale G. Power Converters and AC Electrical Drives with Linear Neural Networks. IEEE Industrial Electronics Magazine, 2013, 7(2), pp. 61-61, doi: 10.1109/MIE.2013.2256306.
Russell S. Norvig P. Artificial Intelligence: A Modern Approach. Third Edition. Prentice Hall, 2011, 175, pp. 935-937, doi: 10.1016/j.artint.2011.01.005.
Huajin Tang, Kay Chen Tan, Zhang Yi. Neural Networks. Computational Models and Applications. Springer, 2007, 322 p., doi: 10.1007/978-3-540-69226-3.
Dmitrienko V. D., Zakovorotnyi A. Yu., Leonov S. Yu. and Khavina I. P. Neural Networks Art: Solving Problems with Multiple Solutions and New Teaching Algorithm. The Open Neurology Journal, 2014, Vol. 8, pp. 8-15, doi: 10.2174/1874205X01408010015.
Zadeh L. Neural Networks Theory. Springer, 2007, 421 p.
Zakovorotnyi A. Y., Dmitrienko V. D. Neural network memory for storing multiple associations. Intelligent decision-making systems and problems of computational intelligence: proceedings of the International Scientific Conference. Kherson. KhNТU, 2012, рр. 348-349.
Dalian Liu, Saiji Fu, Yingjie Tian and Jingjing Tang. Universum driven cost-sensitive learning method with asymmetric loss function. Engineering Applications of Artificial Intelligence, 2024, Vol. 131(3), p. 107849, doi: 10.1016/j.engappai.2024.107849.
Pedro B. Pio, Adriano Rivolli, André C. P. L. F. de Carvalho and Luís P. F. Garcia. A review on preprocessing algorithm selection withmeta-learning. Knowledge and Information Systems, 2024, Vol. 66, pp.1–28, doi: 10.1007/s10115-023-01970-y.
Jingjing Tang, Zhaojie Hou, Xiaotong Yu, Saiji Fu and Yingjie Tian. Multi-view cost-sensitive kernel learning for imbalanced classification problem. Neurocomputing, 2023, Vol. 552(1), p. 126562, doi: 10.1016/j.neucom.2023.126562.
Naomi Adel, Keeley Crockett and Joao P. Carvalho. An Investigation into Fuzzy Negation in Semantic Similarity Measures. 2023-IEEE International Conference on Fuzzy Systems (FUZZ), 13-17 August 2023, doi: 10.1109/FUZZ52849.2023.10309737.
Fu S., Wang X., Tang J., Lan S., Tian Y. Generalized robust loss functions for machine learning. Neural Netw., 2024, 171 (4), pp. 200-214, doi: 10.1016/j.neunet.2023.12.013.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Олександр Заковоротний, Тетяна Орлова
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал публікує статті згідно з ліцензією Creative Commons Attribution International CC-BY.