КЛАССИФИКАЦИЯ ОБЪЕКТОВ НА СВЁРТОЧНЫХ СЕТЯХ С ИСПОЛЬЗОВАНИЕМ КАРТ САМООРГАНИЗАЦИИ

Аннотация

Классификация объектов и процессов является распространённой прикладной задачей. Решение данной задачи необходимо для систем автоматической диагностики, например, для определения состояния работы оборудования, для анализа диагностических сигналов, или для выявления патологий на основе медицинских снимков. Однако данный метод подходит не для всех задач диагностики, поскольку в данных сетях невозможно достичь требуемой точности. В первую очередь это касается своевременной диагностики начала переходных процессов. В то же время другая разновидность нейронной сети — карты самоорганизации Кохонена SOM (self-organizing map) имеют концептуальное свойство для обучения на неопределённом множестве классов, и таким образом дают возможность решить такую задачу. Поэтому, повышение точности классификации на основе встраивания сетей Кохонена в архитектуру свёрточных сетей является актуальной задачей и имеет практическое значение.

В статье проведён анализ способов повышения точности свёрточных нейронных сетей, а также решение возникающих при этом проблем. Соответственно, приведены способы повышения доли корректной кластеризации на сетях Кохонена за счёт «возрастания» её решётки в процессе определения новых классов во время обучения. Именно это свойство делает возможным распознавание переходных процессов. Определено, что существующие решения объединения сетей Кохонена и свёрточных сетей направлены на повышение эффективности только карт самоорганизации, ввиду этого для повышения точности классификации свёрточными нейронными сетями возникла необходимость разработать новую архитектуру. В работе приведено ее описание. Поскольку выходной информацией сетей Кохонена является матрица весовых значений нейронов решётки, для обработки диагностических изображений её необходимо связать с представлением изображений. В работе предложено концепцию встроенного блока памяти на основе сетей Кохонена.

Согласно предложенному способу разработано программную реализацию гибридной нейронной сети. Приведено постановку и результаты вычислительных экспериментов. Экспериментально доказано эффективность предложенного способа.

Ключевые слова: сверточные нейронные сети, CNN, карты самоорганизации Кохонена, SOM, классификация сигналов, классификация изображений.