РАЗРАБОТКА АЛГОРИТМА ОПТИМИЗАЦИИ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ ПРИ ОПРЕДЕЛЕНИИ КОЛИЧЕСТВА НЕЙРОНОВ В СКРЫТОМ СЛОЕ В ЦЕЛЯХ ПОВЫШЕНИЯ ВЕРОЯТНОСТИ РАСПОЗНАВАНИЯ ОБРАЗОВ НАЗЕМНОЙ ЦЕЛИ 

Анатолий Иванович Годунов, доктор технических наук, профессор, профессор кафедры автоматики и телемеханики, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: Godunov@pnzgu.ru
Сергей Викторович Шишков, кандидат технических наук, доцент, доцент кафедры производства и эксплуатации ракетно-артиллерийского вооружения, Филиал Военной академии материально-технического обеспечения имени генерала армии А. В. Хрулева в г. Пензе (Россия, г. Пенза, Военный городок, 1), E-mail:sergej.shishkov.75@mail.ru
Сергей Товмасович Баланян, кандидат технических наук, доцент, докторант кафедры авиационного вооружения и эффективности боевого применения, Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина (Россия, г. Воронеж, ул. Старых Большевиков, 54А), E-mail: bst76@yandex.ru
Ф. Х. Аль Сафтли, адьюнкт, Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю. А. Гагарина (Россия, г. Воронеж, ул. Старых Большевиков, 54А), E-mail: fadi79@yandex.ru 

623.465.7 

DOI

10.21685/2307-4205-2021-4-12 

Актуальность и цели. Высокая точность распознавания типовых наземных объектов оптико-электронными следящими системами может быть достигнута за счет оптимизации параметров искусственной нейронной сети (ИНС) такими, как: размерность и структура входного сигнала ИНС, синапсы нейронов сети, количество нейронов каждого слоя сети и количество слоев сети. Материалы и методы. Рассматриваются существующие алгоритмы оптимизации обучения ИНС при определении количества нейронов во входном, скрытом и выходном слоях ИНС в целях повышения вероятности распознавания образов наземной цели. Исследуются факторы улучшения обучения ИНС, определения количества нейронов в скрытом слое для распознавания изображений наземных объектов в таких алгоритмах, как алгоритм Левенберга – Марквардта, алгоритм байесовской регуляризации, масштабируемом алгоритме сопряженных градиентов и в разработанном алгоритме. Результаты и выводы. Исследуется возможность использования разработанного алгоритма в подсистеме информации и управления ракетой при телевизионном самонаведении на цель. Осуществлена программная реализация разработанного алгоритма с использованием языка программирования Matlab. 

Ключевые слова

оптимизация, нейронная сеть, скрытый слой, обучение нейронной сети, алгоритм Левенберга – Марквардта, алгоритм байесовской регуляризации, масштабируемый алгоритм сопряженных градиентов, распознавание, вероятность, цель 

 Скачать статью в формате PDF

1. Прус А. И. Разработка нейронной сети прямого распространения для решения задач прогнозирования и аппроксимации : магистерская диссертация. СПб. : СПБГУ, 2016. 324 с.
2. Евдокимов И. А., Солодовников В. И. Автоматизация построения нейронной сети в рамках объектно-ориентированного подхода. М. : Центр информационных технологий в проектировании (ЦИТИ) РАН, 2015. С. 34–45.
3. Методы классической и современной теории автоматического управления : учебник в 5 т. / под ред. К. А. Пупкова, Н. Д. Егупова. 2-е изд., перераб. и доп. М. : Изд-во МГТУ им. Н. Э. Баумана, 2004. Т. 5: Методы современной теории автоматического управления. 784 с.
4. Пархоменко С.С. О сокращении времени обработки большого количества данных нейронными сетями методом Левенберга – Марквардта // Международный научно-исследовательский журнал. 2014. № 1. С. 123–134.
5. Пархоменко С. С., Леденева Т. М. Обучение нейронных сетей методом Левенберга-Марквардта в условиях большого количества данных // Вестник ВГУ. Сер.: Системный анализ и информационные технологии. 2014. № 2. С. 66–78.
6. Кучеренко А. Г. Обучение нейронной сети с использованием алгоритма сопряженных градиентов и множественной линейной регрессии для задачи прогнозирования спроса // ДГТУ экономические науки. Математические методы в экономике. 2009. № 1. С. 27–34.
7. Нужный А. С. Байесовский подход к регуляризации задачи обучения сети функций радиального базиса // Искусственный интеллект и принятие решений. 2015. № 1. С. 167–179.
8. Нужный А. С. Байесовская регуляризация в задаче аппроксимации функции по точкам с помощью ортогонализованного базиса // Физический институт им. П. Н. Лебедева РАН. Математическое моделирование. 2011. Т. 23, № 9. С. 33–42.
9. Годунов А. И., Баланян С. Т., Егоров П. С. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. 2021. № 3. С. 62–73.