एक फजी तंत्रिका नेटवर्क NEFClass एम का विकास

NEFClass सिस्टम की कमियों के विश्लेषण से पता चलता है कि उनका कारण NEFClass की अस्पष्टता का दोष है जो सीखने की लय एल्गोरिथम है। इसे ठीक करने के लिए, अनुभवजन्य शिक्षण एल्गोरिथ्म को संख्यात्मक अनुकूलन के कठोर एल्गोरिथ्म के साथ बदलना आवश्यक है। मूल और संशोधित NEFClass मॉडल की तरह फजी परसेप्ट्रॉन की वास्तुकला पर आधारित है। मूल और संशोधित मॉडल के बीच वास्तु अंतर फ़ज़ी सेटों के सदस्यता कार्यों के रूप में होते हैं, नियम न्यूरॉन्स की सक्रियता की गणना के लिए टी-आदर्श फ़ंक्शन, और एक एग्रीगेटिंग फ़ंक्शन (टी-कॉनॉर्म) के रूप में भी होता है, जो आउटपुट न्यूरॉन्स की सक्रियता को निर्धारित करता है। संख्यात्मक अनुकूलन विधियों के उपयोग के लिए फ़ज़ी सेटों की सदस्यता कार्यों की भिन्नता की आवश्यकता होती है - एक शर्त जो त्रिकोणीय सदस्यता कार्यों को संतुष्ट नहीं करती है। इसलिए, संशोधित मॉडल में, फजी सेट में गॉसियन सदस्यता फ़ंक्शन होता है।

नियम न्यूरॉन्स की सक्रियता की गणना के लिए भिन्नता की आवश्यकता टी-मानदंड (चौराहे) के रूप को भी निर्धारित करती है। NEFClass सिस्टम इसके लिए न्यूनतम फ़ंक्शन का उपयोग करता है; संशोधन में, यह इसी मूल्यों का उत्पाद है। अंत में, संशोधित मॉडल के लिए एकत्रीकरण फ़ंक्शन (टी-कॉनॉर्म) का रूप केवल भारित राशि तक सीमित है। कारण यह है कि मूल प्रणाली में उपयोग किए जाने वाले अधिकतम फ़ंक्शन विभिन्नता स्थिति को संतुष्ट नहीं करते हैं।

मुख्य परिवर्तन फ़िज़ी सेट लर्निंग एल्गोरिथम की चिंता करता है। संशोधित NEFClass प्रणाली में लक्ष्य फ़ंक्शन शास्त्रीय तंत्रिका नेटवर्क के साथ सादृश्य द्वारा निर्धारित प्रशिक्षण में औसत वर्ग त्रुटि को कम करना है

प्रशिक्षण सेट में माध्य वर्ग त्रुटि को कम करने के उद्देश्य से संख्यात्मक अनुकूलन का तर्क नेटवर्क के सभी फजी सेटों के बी और बी मापदंडों के संयुक्त वेक्टर है। एक विशिष्ट विधि किसी भी बिना शर्त अनुकूलन विधि हो सकती है, जैसे कि, उदाहरण के लिए, ढाल विधि या संयुग्म ढाल विधि।
NEFClass M फजी तंत्रिका नेटवर्क लर्निंग एल्गोरिदम
स्टेज 1 - नियम आधार पीढ़ी
इस एल्गोरिथ्म के पहले चरण के लिए - नियम आधार को प्रशिक्षित करने के लिए, मूल NEFClass एल्गोरिथ्म के पहले चरण का उपयोग किया जाता है।
स्टेज 2 - प्रशिक्षण फजी सेट
दूसरा चरण प्रत्यक्ष क्रिया के तंत्रिका नेटवर्क को सीखने के संयुग्मक ग्रेडिएंट की विधि का उपयोग करता है।

NEF NEFClass M के साथ प्रयोग करना
स्रोत डेटा
मॉस्को स्टेट एजुकेशनल इंस्टीट्यूशन के कर्मचारियों को नेटवर्क के लिए नमूने के रूप में चुना गया और डेटाबेस में प्रवेश किया गया (चित्र 1.)। तस्वीरों में कोण, पैमाने और प्रकाश व्यवस्था में परिवर्तन होते हैं। डेटाबेस में 100 छवियां हैं: 10 चेहरे वाले 10 लोग। छवियों का आकार 112x92 है। प्रारूप - प्रति पिक्सेल एक बाइट, ग्रेस्केल मूल्यों के रूप में [0; 255]। सीखने में तेजी लाने के लिए, छवियों को 4 गुना (46x56) से कम किया गया था।


अंजीर। १।

प्रशिक्षण से पहले डेटाबेस को 2 भागों में विभाजित किया गया था। विषम मानव छवियों का उपयोग प्रशिक्षण के लिए किया गया था, और यहां तक ​​कि परीक्षण के लिए भी। गणित के संपादक मथकड 14.0 में फजी न्यूरल नेटवर्क प्रयोग किए गए।

NEFClass M NNS प्रयोग
NEFClass MNS प्रशिक्षण मापदंडों

पैरामीटर	मूल्य
नियम पीढ़ी एल्गोरिथम	कक्षा के लिए सर्वश्रेष्ठ
लर्निंग एल्गोरिदम	संयुग्मक ग्रेडिएंट्स
एकत्रीकरण समारोह	भारित राशि
प्रत्येक विशेषता के लिए शब्दों की संख्या	5

हम पहले चरण में उत्पन्न होने वाले नियमों की संख्या पर प्रशिक्षण की गुणवत्ता की निर्भरता का अध्ययन करते हैं। परीक्षण के रूप में, हम परीक्षण नमूने पर परीक्षण करेंगे। ऐसा करने के लिए, हम प्रत्येक कक्षा के लिए नियम 1, 2, 3 या 4 (5 में से) की संख्या निर्धारित करते हैं। नेटवर्क कॉन्फ़िगरेशन: 40 आउटपुट न्यूरॉन्स, प्रत्येक लक्षण के लिए 5 शर्तें।
प्रयोग के परिणाम
तालिका 1 - नियमों की संख्या पर प्रशिक्षण की गुणवत्ता की निर्भरता

इनपुट न्यूरॉन्स	न्यूरॉन नियम	मान्यता (प्रशिक्षण सेट)			मान्यता (सत्यापन नमूना)
		ठीक है	ग़लती होना	?	ठीक है	ग़लती होना	?
200	40	73.5	26.5	0.0	70.0	30.0	0.0
200	80	92.5	7.5	0.0	86.0	18.0	0.0
200	120	98.5	1.5	0.0	91.0	9.0	0.0
200	160	100.0	0.0	0.0	93.5	6.5	0.0
400	40	76.5	22.0	1.5	67.5	32.0	1.5
400	80	92.0	7.0	1.0	82.5	16.5	1.0
400	120	98.0	2.5	0.5	97.5	0.5	1.5
400	160	100.0	0.0	0.0	98.5	0.0	1.5

जहाँ "Err" दूसरी तरह की त्रुटियाँ हैं, "?" अपरिचित चित्र हैं (पहली तरह की त्रुटि)।

अध्ययन के तहत एल्गोरिदम में से, NEFClass M तंत्रिका नेटवर्क मान्यता कार्य के साथ सबसे अच्छा था, लेकिन इस नेटवर्क में पहली तरह की त्रुटियों की एक बड़ी संख्या है। क्लासिक NEFClass तंत्रिका नेटवर्क ने ऐसी त्रुटियों के प्रतिशत का एक समान परिणाम दिखाया, लेकिन बड़ी संख्या में अपरिचित छवियों के कारण NEFClass M से पिछड़ गया। यह त्रिकोणीय सदस्यता कार्यों के उपयोग के कारण है, जो इनपुट डेटा रेंज में नियम न्यूरॉन इनपुट को शून्य मान दे सकता है (जो कि गौसियन सदस्यता कार्यों का उपयोग करते समय नहीं होता है)।

उपरोक्त विश्लेषण से यह माना जाता है कि मान्यता की संभावना को बढ़ाने के लिए, NEFCIass M न्यूरल नेटवर्क का उपयोग करना आवश्यक है। NEFCIass M न्यूरल नेटवर्क ने न्यूनतम वर्गीकरण त्रुटियों को दिखाया, लेकिन इसकी पहचान गैर-मान्यता प्राप्त चित्रों के लिए भी अधिक है। गैर-मान्यता प्राप्त छवियों में त्रुटियों को कम करने के लिए ज्ञान के आधार में खोज को अनुकूलित करना और चेहरे की छवियों के सेट को बढ़ाना आवश्यक है।

निष्कर्ष
प्रदर्शन किए गए विश्लेषण और प्रयोगों के आधार पर, यह सबसे अच्छा नेटवर्क कॉन्फ़िगरेशन और छवि मान्यता कार्यों के लिए पूर्व-प्रसंस्करण मापदंडों के बारे में ध्यान दिया जाना चाहिए, अर्थात्:
1. किसी विशेष वर्ग के लिए छवि के गुणात्मक सहसंबंध के लिए फूरियर गुणांक की संख्या: 80-200, कक्षाओं की संख्या के आधार पर;
2. छिपे हुए न्यूरॉन्स की संख्या: 80-200, आउटपुट न्यूरॉन्स की संख्या के आधार पर;
3. सबसे इष्टतम परत सक्रियण कार्य हाइपरबोलिक स्पर्शरेखा हैं;
4. लर्निंग एल्गोरिदम - लर्निंग स्टेप के अनुकूलन के साथ ढाल

पुनश्च मेरा पहला लेख एक हबल पर मेरा स्नातकोत्तर काम।