Please use this identifier to cite or link to this item:
http://elar.khnu.km.ua/jspui/handle/123456789/3803

Можете відсканувати цей QR-код телефоном( програмою "Сканер QR-кодів" ) для збереження.

Title: Дослідження впливу параметрів навчання когнітрону на якість розпізнавання вихідних образів
Other Titles: Research of cognitron training parameters’ influence on quality of output pattern recognition
Authors: Молчанова, М.О.
Протасов, М.В.
Molchanova, M.O.
Protasov, M.V.
Keywords: нейронна мережа;когнітрон;розпізнавання образів;neural network;cognitron;pattern recognition
Issue Date: 2014
Publisher: Хмельницький національний університет
Citation: Молчанова, М. О. Дослідження впливу параметрів навчання когнітрону на якість розпізнавання вихідних образів [Текст] / М. О. Молчанова, М. В. Протасов // Вісник Хмельницького національного університету. Технічні науки. – 2014. – № 5. – С. 240-246.
Abstract: У статті запропоновано уточнену цілісну математичну модель нейронної мережі типу когнітрон. Досліджено вплив параметрів навчання на роботу нейронної мережі. Встановлено, що дані параметри повинні підлаштовуватися під конкретні задачі, та можуть змінюватись в залежності від розміру зображення та його форми. Також відмічено можливість нейронної мережі типу когнітрон до відновлення пошкоджених образів. Дана робота може бути використана для подальшої реалізації та аналізу параметрів математичної моделі неокогнітрону, який у порівнянні з когнітроном є стійким не лише до шумів та пошкоджень, але й до поворотів та масштабування.
Aim of research is to renew mathematical model of neural network of cognitron type and to investigate the influence of learning parameters on the work of the neural network. The article offers an integrated refined mathematical model of neural networks of cognitron type. The influence of learning parameters on the performance of the neural network has been researched. It has been established that these parameters must adapt to specific tasks and may vary depending on the image size and its shape. Also the possibility of neural networks of cognitron type to restore damaged images has been noted. To correct the weights from the inhibitory to the activation neuron instead of the traditional weights usage, that is from activation neurons of the previous layer to the current activation layer of neurons, the weights from the activation neurons to the inhibitory ones are used. This work can be used to further the implementation and analysis of parameters of the mathematical neocognitron model, which in comparison with cognitron is resistant not only to noise and damage, but also to the rotation and scaling.
URI: http://elar.khnu.km.ua/jspui/handle/123456789/3803
ISSN: 2307-5732
UDC: 004.8
Content type: Стаття
Appears in Collections:Вісник ХНУ. Технічні науки - 2014 рік

Files in This Item:
File Description SizeFormat 
Vchnu_tekh_2014_5_45.pdf573,15 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.