Розглянуто відомі види глибоких нейронних мереж (НМ), методи їх навчання з учителем, навчання мереж шумозаглушенню, а також методи кодування даних за допомогою зображень. Показано, що глибокі НМ підходять для ефективного вирішення завдань класифікації, зокрема для медичного і технічного діагностування. Серед глибоких мереж перспективними є згорткові НМ внаслідок своєї простої структури та застосування спільних ваг, що надає можливість мережі виділяти схожі ознаки в різних частинах зображень. Навчання згорткової мережі може бути недостатньо ефективним для деяких завдань діагностування, тому доцільно розглянути модифікації методу навчання з застосуванням кодування даних і навчанням шумозаглушенню для поліпшення результату. Запропоновано метод для навчання згорткової НМ за допомогою числових даних, перетворених у растрові зображення, що підвищує точність мережі під час вирішення задач класифікації і надає можливість застосовувати згорткові НМ та їх переваги обробки зображень з табличними даними як вхідних. Також запропонований метод не потребує внесення додаткових змін в структуру мережі. Метод складається з чотирьох етапів - нормалізації методом мінімакса, перетворення даних у двовимірні зображення з використанням поплавкового або термометричного методів кодування, генерації додаткових зображень із спотворенням вхідних даних і попереднього навчання глибокої мережі. Розроблений метод програмно реалізовано та досліджено при вирішенні низки практичних завдань. Результати вирішення практичних завдань технічного та медичного діагностування показали ефективність методу за незначної кількості результуючих класів і екземплярів для навчання. Метод може бути корисним під час діагностування на ранніх стадіях прояви дефекту, коли обсяг даних для навчання є обмеженим.

  Повний текст PDF - 378.026 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"