Структурні особливості нейромережевого класифікатора

Abstract

У статті проаналізовано структурні, функціональні та навчальні особливості двох класичних нейромереж: мережі Хопфілда і мережі Хеммінга, яка є найпростішим класифікатором двійкових векторів. Врахування переваг обох зазначених нейромереж дозволило розробити структуру і принцип функціонування запропонованого нейромережевого класифікатора. Запропонована структура нейромережевого класифікатора є удосконаленням структури нейромережі Хеммінга.Одним из перспективных направлений в системах анализа сигналов и изображений и распознавания образов считается применение нейросетевыхтехнологий. Такой подход получил широкое применение в техническом и медицинском диагностировании при их аппаратной и программной реализации, в частности в медицинской экс-пресс-диагностике. Особенностью такого подхода является возможность реализации диалогового режима, одно-временной обработки альтернативных версий и обработки символьных переменных при распознавании информа-ции различной природы. В статье проанализированы структурные, функциональные и обучающие особенности двух классических ней-ронных сетей: сети Хопфилда и сети Хэмминга, представляющуюсобой простейший классификатор двоичных векторов. Учет преимуществ обеих приведенных нейросетей позволил разработать структуру и принцип функ-ционирования предложенного нейросетевого классификатора. Представленная структура нейросетевого клас-сификатора является усовершенствованием структуры нейросети Хэмминга. Отличием является удаление у нейросетевого классификатора положительных латеральных связей у нейронов конкурентного слоя, который реализует известную парадигму WTA(победитель получает все). А это вызывает затухание слабых выходных сигналов до уровня ниже порога чувствительности. Таким образом реализуется стратегия WTA, которая оста-навливает итерационный процесс в случае победы одного из нейронов конкурентного слоя. Такой подход позволил не только упростить структуру нейросетевого классификатора, но и расширить область его применения для классификации по максимуму дискриминантных функций. Имитационное моделирование процесса классификации в предложенном нейросетевом классификаторе подтвердило ускорения этого процесса почти в 2 раза. Структур-ное моделирование скрытого слоя нейросетевого классификатора продемонстрировало правильные ответы на его выходах при задании конкретных входных комбинацийOne of the promising areas in signal/image analysis systems and pattern recognition systems is the use of neural net-work technologies. This approach has been widely used in technical and medical diagnosis with their hardware and software implementation, in particular in medical express diagnostics. A feature of this approach is the possibility of implementing a dialogue mode, simultaneous processing of alternative versions and processing of symbol variables by recognizing informa-tion of various nature. This article analyzes the structural, functional and training features of two classical neural networks: the Hopfield network and the Hamming network, which is the simplest classifier of binary vectors. Taking into account the advantages of both of these neural networks it has been allowed to develop the structure and functioning principle of the proposed neural network classifier. The presented structure of the neural network classifier is an improvement in the struc-ture of the Hamming neural network. The difference is the removal in the neural network classifier of positive lateral connec-tions in the neurons of the competitive layer, which implements the well-known WTA paradigm (winner takes all). And this causes attenuation of weak output signals to a level below the sensitivity threshold. Thus, the WTA strategy is implemented, which stops the iterative process in case of victory of one of the neurons in the competitive layer. Such an approach allowednot only to simplify the structure of the neural network classifier, but also to expand the scope of its application for classifica-tion by the maximum of discriminant functions. Simulation of the classification process in the proposed neural network clas-sifier confirmed the acceleration of this process by almost 2 times. Structural modeling of the hidden layer of the neural network classifier demonstrated the correct answers at its outputs when specifying specific input combinations