Малышев Александр Васильевич - кандидат технических наук, доцент, завкафедрой программной инженерии.
ул. 50 лет Октября, д. 94, Курск 305040
Aleksandr V. Malyshev - Cand. of Sci. (Engineering), Associate Professor, Head of the Software Engineering Department, Southwest State University.
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования. Разработка максимально эффективного, в контексте современных технических средств реализации интеллектуальных систем, предназначенных, в т.ч., для решения задач распознавания образов, алгоритма самообучения двухслойной модели нейронной сети, который будет основан на наращивании числа нейронов и вариации весовых коэффициентов синаптических связей, с возможностью распространения его на многосвязную нейронную сеть высокого порядка с внутренним произведением векторов.
Методы. Для решения поставленной задачи в данной работе предложен подход к синтезу многосвязной модели нейронной сети высокого порядка с внутренним произведением векторов, а также алгоритм самообучения такой нейронной сети, предусматривающий оперативную коррекцию элементов матрицы эталонов вместо традиционной вариации весовых коэффициентов синаптических связей с целью снижения ресурсоёмкости выполняемых операций.
Результаты. Предложенный метод был реализован в виде программного приложения в привязке к самообучению нейронной сети высокого порядка на звукотипах речевых сигналов, представленных в растровом виде с предварительной их сегментацией из общего потока и преобразованием в полярных координатах с целью удобства обработки и хранения полученных образов в качестве обучающей выборки.
Заключение. Разработанный алгоритм в ходе проведения тестирования его программной реализации, за счёт исключения ресурсоёмкой операции вариации весовых коэффициентов и заменой её на непосредственную коррекцию матрицы эталонов, показал достаточно высокую эффективность, сходимость за конечное число шагов, обусловленную ограничением количества кодов первого приближения эталонных векторов, а также заметное быстродействие по сравнению с известными аналогами.
Purpose of reseach. To develop a self-learning algorithm for a two-layer neural network model that is as efficient as possible, given the current technical implementation of intelligent systems, including those designed for solving pattern recognition problems. This algorithm will be based on increasing the number of neurons and varying the weight coefficients of synaptic connections, with the possibility of extending it to a high-order multiconnected neural network with an internal product of vectors.
Methods. To solve this problem, this paper proposes an approach to synthesizing a high-order multiconnected neural network model with an internal product of vectors, as well as a self-learning algorithm for such a neural network. This algorithm provides for the rapid correction of the elements of the reference matrix, instead of the traditional variation of the weight coefficients of synaptic connections, in order to reduce the resource intensity of the performed operations.
Results. The proposed method was implemented as a software application linked to the self-training of a high-order neural network using speech sound types represented in raster format, pre-segmented from the general stream and transformed into polar coordinates for ease of processing and storing the resulting images as a training set.
Conclusion. The developed algorithm, during software implementation testing, demonstrated relatively high efficiency by eliminating the resource-intensive operation of varying weight coefficients and replacing it with direct correction of the reference matrix. This algorithm demonstrated relatively high efficiency, convergence in a finite number of steps due to the limited number of first-approximation codes of reference vectors, and noticeable performance compared to known analogs.
The authors declare that there are no conflicts of interest present.