Возможности классификатора зображений на основе ART1-сети
##plugins.themes.bootstrap3.article.main##
Аннотация
Чтобы создать систему распознавания медицинских изображений, необходимо учитывать диапазон возможных преобразований входного сигнала, поступающего от объекта наблюдения. В связи с этим основным требованием для распознавания образов является создание такого классификатора, который был бы инвариантным относительно различных трансформаций. Задачу классификации изображений решали экспериментально на основе ART1-сети в среде системы MATLAB. Установлено, что 1) при классификации изображений при наличии не более 40% шума АРТ1-сеть выбирает зафиксированный в ассоциативной памяти вектор-прототип, который больше всего коррелирует с ним; 2) ассоциативная память на основе АРТ1 сети по эффективности эквивалентна ассоциативной памяти в виде бинарного однослойного линейного асоциатора на основе псевдообратного правила; она не способна выполнять функции инвари-антного классификатора.
Библ. 6, рис. 5, табл. 6.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
Albert, A. (1972). Regression and the Moore-Penrose Pseudoinverse, New York: Academic Press. – 180 p.
Carpenter, G. A. and Grossberg, S. (1987). A massively parallel architecture for a self-organizing neu-ral pattern recognition machine. Computer Vision, Graphics, and Image Processing, vol. 37, pp. 54 – 115
Martin Hagan, Howard Demuth, B. Mark. Beale (2002). Neural Network Design. USA: Colorado Uni-versity Bookstore, Р. 734.
Dobrovskaya, L. M., Dobrovskaya, I. A. (2015). Theory and practice of neural networks, Ukrainian: NTU "KPI" Publisher Polytechnic, Р. 396. (Ukr.)
Haykin, S. (2006). Neural networks: a complete course. 2nd ed. Moscow, Williams Publ., Р. 1104. (Rus.).
Fadeev, D. K., Faddeev, V. N. (2002). Computational methods of linear algebra. 3rd ed., Sr. - St. Pe-tersburg: Lan, Р. 736. (Rus.).
