КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ РАБОТЫ НЕЙРОСЕТИ В РАСПОЗНАВАНИИ ОБЪЕКТОВ

Цель. Построение компьютерной модели работы нейронной сети для распознавания объектов. Процедура и методы. На основании идей, положенных в основу теории распознавания и теории нейронных сетей, построена модель работы нейросети, предназначенной для распознавания исследуемых отображений с заданной точностью. Для успешной работы нейронной сети привлекались базы данных в открытом доступе с удалённых серверов. Это позволило использовать нейросети в стеснённых условиях (в отсутствии мощных вычислительных машин). Для организации работы и управления нейронной сетью разработана программа на языке Python. Результаты. Построена нейронная сеть, распознающая исследуемые отображения с заданной точностью. Для управления построенной нейросетью и привлечения массивов баз данных с удалённых серверов разработана программа на языке Python. Продемонстрирован принцип работы нейросети на практике на примере распознавания изучаемых отображений. Практическая значимость. Модель даёт реальный рецепт построения нейронной сети и использования её на практике в условиях отсутствия мощной вычислительной машины.

нейронные сети, математическая модель, библиотеки, программа управления, язык Python

1. Алтайский М. В., Капуткина Н. Е., Крылов В. А. Квантовые нейронные сети: современное состояние и перспективы развития // Физика элементарных частиц и атомного ядра. 2014. Т. 45. Вып. 5-6. С. 1824-1864.

2. Бугримов А. Л., Лаврентьев В. В. Python. Быстрое погружение в программирование: учебное пособие. М.: ИИУ МГОУ, 2018. 47 с.

3. Гафаров Ф. М., Галимянов А. Ф. Искусственные Нейронные сети и их приложение: учебное пособие. Казань: Казанский Государственный Университет, 2018. 121 с.

4. Любимцев О. В., Любимцева О. Л. Линейно-регрессивные модели в эконометрике. Нижний Новгород: ННГАСУ, 2016. 44 с.

5. Мазуров Вл. Д. Математические методы распознавания образов: учебное пособие. Екатеринбург: Издательство Уральского государственного университета, 2010. 101 с.

6. Ханеев Д. М., Филатова Н. Н. Пирамидальная сеть для классификации объектов, представленных нечёткими признаками // Известия ЮФУ. Технические науки. 2012. № 9 (134). С. 45-49.

7. Haykin S. Neural Networks and Learning Machines; 3rd edition. New Jersey: Pearson Education, 2009. 936 p.

8. Montavon G., Samek W., Müller Kl.-R. Methods for interpreting and understanding deep neural networks // Digital Signal Processing: A Review Journal. 2018. Vol. 73. P. 1-15. DOI: 10.1016/j.dsp.2017.10.011.

9. Thaler S., Furrer D. Neural Network Modeling // Advanced Materials & Processes. 2005. Vol. 163. Iss. 11. P. 42-46.

10. Liu T., Fang Sh., Zhao Y., Wang P., Zhang J. Implementation of Training Convolutional Neural Networks [Электронный ресурс] // arXiv : [сайт]. URL: https://arxiv.org/ftp/arxiv/papers/1506/1506.01195.pdf (дата обращения: 20.11.2020).