Особливості моделей нейромережевого класифікатора для розпізнавання об'єктів

Abstract

У підсистемах підтримки прийняття рішення для розпізнавання об’єктів особливе значення має виявлення найвірогіднішого результату серед можливих за певним набором ознак. З цією метою доречним є присвоєння конкретних рангів кожному з результуючих сигналів в процесі класифікації. Розглянуто дві моделі нейромережного класифікатора, причому результатом класифікації в удосконаленій моделі є формування рангів всім визначеним класам із застосуванням нового підходу. Отже, функціональні можливості такого нейромережного класифікатора в цьому випадку отримали розширення за рахунок ранжування класів. Удосконалений нейромережний класифікатор має п’ять шарів — вхідний, три приховані і вихідний шари. У першому прихованому шарі формуються відповідні дискримінанті функції, у другому прихованому шарі реалізується механізм конкуренції WTA (переможець отримує все). Вихідний шар, в якому формуються ранги класів об’єктів, будується на лічильниках, в яких поступово підраховуються ранги класів. Третій прихований шар виконує роль маскувального шару, беручи участь у формуванні рангів. Отже, введення двох шарів (маскувального та вихідного у вигляді лічильників) дозволяє визначити ранги вхідного об’єкта стосовно його належності до конкретних класів. У статті наведено загальні структури розглянутих нейромережних класифікаторів, для порівняння показано топологічні структури обох моделей таких класифікаторів, а також розглянуто функціональну схему елементів доданих шарів. Наведено особливості функціонування запропонованого класифікатора, представлено його структурно-функціональну характеристику у вигляді таблиці. Крім того, схематично показано особливості процесу реалізації механізму конкуренції нейронів у конкурентному шарі класифікатора.In decision support subsystems for object recognition, the detection of the most probable result among those possible for a given set of features is of particular importance. For this purpose, it is appropriate to assign specific ranks to each of the resulting signals in the classification process. In this article, two models of the neural network classifier are considered, and the result of classification in the improved model is the formation of ranks for all defined classes using a new approach. So, the functionality of such a neural network classifier, in this case, was expanded due to the ranking of classes. The advanced neural network classifier has five layers — input, three hidden ones, and output layers. In the first hidden layer, the corresponding discriminant functions are formed, in the second hidden layer, the WTA competition mechanism is implemented (the winner takes all). The output layer, in which the object class ranks are formed, is built on counters in which the class ranks are gradually calculated. The third hidden layer acts as a masking layer, participating in the formation of ranks. Therefore, the introduction of two layers - masking and output in the form of counters — allows to determine the ranks of the input object in relation to its belonging to specific classes. The article presents the general structures of the considered neural network classifiers, shows the topological structures of both models of such classifiers for comparison, and also considers the functional scheme of the elements of the added layers. Features of the functioning of the proposed classifier are presented, and its structural and functional characteristics are presented in the form of a table. In addition, the peculiarities of the implementation process of the neuron competition mechanism in the competitive layer of the classifier are schematically shown.