Подход к самообучению автоассоциативной модели нейронной сети высокого порядка

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.

1. Бобырь М.В., Кулабухов С.А., Милостная Н.А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. №4. С. 15-26.

2. Schmidhuber J. Deep learning in neural networks: an overview // Neural networks. 2015. Vol. 61. P. 85-117.

3. Емельянов С.Г., Бобырь М.В., Анциферов А.В. Алгоритм самообучения адаптивных нейро-нечетких систем на основе мягких вычислений // Информационно-измерительные и управляющие системы. 2013. №8. С. 3-9.

4. Малышев А.В., Типикин А.П., Тараненко К.Ю. Самообучение автоассоциативной модели нейронной сети высокого порядка // Известия Курского государственного технического университета. 1998. №2. С. 63-68.

5. Ashwin P., Coombes S., Nicks R. Mathematical frameworks for oscillatory network dynamics in neuroscience // Journal of mathematical neuroscience. 2016. Vol. 6. P. 1-92.

6. Malyshev A., Novikova A. Neural algorithm of reconfiguration for matrix multiprocessor // International Conference «Modern trends in education and science». Tambov, 2014. P. 10-11.

7. Бобырь М.В. Обучение нейро-нечётких систем. М.: Аргамак-Медиа, 2017. 240 с.

8. Coexisting multi-stable patterns in memristor synapse-coupled Hopfield neural network with two neurons / C. Chen, J. Chen, M. Chen, B. Bao, H. Bao // Nonlinear dynamics. 2019. Vol. 95. P. 3385-3399.

9. Малышев А.В., Алексеев А.Е., Геворкян А.Ю. Распознавание и отслеживание объектов посредством инструментов нейросетевых моделей // Программная инженерия: современные тенденции развития и применения: материалы VIII Всероссийской научно-практической конференции. Курск, 2024. С. 97-101.

10. Design and analysis of multiscroll memristive Hopfield neural network with adjustable memductance and application to image encryption / Q. Lai, ZH. Wan, H. Zhang, G. Chen // IEEE Transactions on neural networks and learning systems. 2023. Vol. 34. P. 7824-7837.

11. Danca M., Kuznetsov N. Hidden chaotic sets in a Hopfield neural system // Chaos, solitons & fractals. 2017. Vol. 103. Р. 144-150.

12. Quantum Hopfield neural network / P. Rebentrost, T. Bromley, C. Weedbrook, S. Lloyd // Physical review. 2018. Vol. 98. Р. 042308.

13. Малышев А.В., Глухов Н.К. Применение искусственного интеллекта для анализа жизненного цикла технологического проекта // Молодёжь и XXI век: материалы 13-й Международной научной конференции. Курск, 2024. С. 348-351.

14. Ong B., Sugiura K., Zettsu K. Dynamically pre-trained deep recurrent neural networks using environmental monitoring data for predicting // Neural computing & applications. 2016. Vol. 27. P. 1553-1566.

15. Malyshev A., Krylov P., Volodin O. Metaheuristic analytical instruments in optimizing the shopping center parking area: a transportation model // International journal of advanced science and technology. 2019. Vol. 28. P. 198-207.

16. Разработка интеллектуальной системы для прогнозирования рисков сердечно-сосудистых заболеваний / А.В. Малышев, Е.И. Пузырев, М.В. Прохоров, Н.Г. Нефедов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 3. С. 46-61. https://doi.org/10.21869/2223-1536-2022-12-3-46-61

17. Дзюбин И.А., Малышев А.В. Способы оптимизации высоконагруженных приложений // Программная инженерия: современные тенденции развития и применения: материалы V Всероссийской научно-практической конференции. Курск, 2021. С. 12-20.

18. Чаплыгин А.А., Малышев А.В. Операционная система с ядром на основе виртуальной машины с уменьшенным набором команд // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, №1. С. 8-20.

19. Малышев А.В., Родин А.А., Сабуров В.Г. Проектирование системы автоматизированного перевода для мобильных устройств // Программная инженерия: современные тенденции развития и применения: материалы Всероссийской научной конференции. Курск, 2017. C. 143-147.

20. Воробьёва И.С., Псарёва А.Д., Малышев А.В. Методы семантической кластеризации текстов // Программная инженерия: современные тенденции развития и применения: материалы V Всероссийской научно-практической конференции. Курск, 2021. C. 81-84.