УДК 519.816(045)
О.Є. ЛИТВИНЕНКО,
Київський національний авіаційний університет, Київ, Україна,
litvinen@nau.edu.ua
Д.П. КУЧЕРОВ,
Київський національний авіаційний університет, Київ, Україна,
d_kucherov@ukr.net
М.М. ГЛИБОВЕЦЬ,
Національний університет «Києво-Могилянська академія», Київ, Україна,
glib@ukma.edu.ua
ДЕКОМПОЗИЦІЙНИЙ МЕТОД ОБЧИСЛЕННЯ ВАГОВИХ
КОЕФІЦІЄНТІВ БІНАРНОЇ НЕЙРОННОЇ МЕРЕЖІ
Анотація. Викладено метод обчислення вагових коефіцієнтів бінарної нейронної мережі на основі її декомпозиції на елементарні модулі. Метод дає змогу обчислювати вагові коефіцієнти всіх зв’язків мережі на етапі її проєктування, в результаті чого немає потреби у реалізації трудомістких ітераційних алгоритмів навчання мережі в процесі її експлуатації. Наведено алгоритм та приклад обчислення вагових коефіцієнтів.
Ключові слова: бінарна нейронна мережа, вагові коефіцієнти, метод обчислення, декомпозиція, алгоритм.
ПОВНИЙ ТЕКСТ
СПИСОК ЛІТЕРАТУРИ
- Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. Москва: Изд. дом «Вильямс», 2005. 864 с.
- Рассел С., Норвиг П. Искусственный интеллект: современный подход. Москва: Изд. дом «Вильямс», 2006. 1408 с.
- Хайкин С. Нейронные сети: полный курс. Москва: Изд. дом «Вильямс», 2006. 1104 с.
- Каллан Р. Основные концепции нейронных сетей. Москва: Изд. дом «Вильямс, 2001. 288 с.
- Сигеру О., Марзуки Х., Рубия Ю. Нейроуправление и его приложения. Москва: ИПРЖР, 2000. 272 с.
- Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. Москва: ДМК-Пресс, 2017. 652 с.
- Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference and prediction. Springer-Verlag, 2009. 746 p.
- Опанасенко В.Н., Крывый С.Л. Синтез нейроподобных сетей на основе преобразований циклических кодов Хемминга. Кибернетика и системный анализ. 2017. Т. 53, № 4. С. 155–164.
- Палагин А.В., Опанасенко В.Н., Крывый С.Л. Аппаратная реализация преобразований циклического кода Хемминга на базе FPGA. Труды 15-й Всероссийской научно-технической конференции «Нейроинформатика-2013». Ч. 3. Москва, 2013. С. 203–212.
- Kazantsev A.V. Visual data processing and action control using binary neural network. Eight International Workshop on Image Analysis for Multimedia Interactive Services (WIAMIS’07), (Santorini, Greece, 6–8 June 2007). 2007. Р. 1–3. doi.org//10.1109/WIAMIS.2007.90.
- Liang S., Sun R., Li Y., Srikant R. Understanding the loss surface of neural networks for binary classification. Proc. of the 35th International Conference on Machine Learning. 2018. P. 2835–2843. URL: ttps://proceedings.mlr.press.
- Krinitskiy M., Verezemskaya P., Grashchenkov K., Tilinina N., Gulev S., Lazzara M. Deep convolutional neural networks capabilities for binary classification of polar mesocyclones in satellite mosaics. Atmosphere. 2018. Vol. 9, N 426. P. 1–23.
- Dunnmon J.A., Yi D., Langlotz C.P., RБ C., Rubin D.L., Lungren M.P. Assessment of convolutional neural networks for automated classification of chest radiographs. Radiology. 2018. Vol. 290, N 2. Р. 537–544. doi.org//10.1148/radiol.2018181422 .
- Korolev S., Safiullin A., Belyaev M., Dodonova Y. Residual and plain convolutional neural networks for 3d brain mri classification. arXiv:1701.06643v1 [cs.CV] 23 Jan 2017. URL: arxiv.org/pdf/1701.06643.pdf .
- Menon A.K., Williamson R.C., The cost of fairness in binary classification. Proc. of Machine Learning Research. 2018. Vol. 81. P. 1–12.
- Ferreyra-RamЗrez A., RodrЗguez-MartЗnez E., AvilБs-Cruz C., Lуpez-Saca F. Image retrieval system based on a binary auto-encoder and a convolutional neural network. IEEE Latin America Transactions. 2020. Vol. 18, Iss. 11. P. 1925–1932. doi.org//10.1109/TLA.2020.9398634.
- Litvinenko А. Algorithms for solution inference based on unified logical control models. Cybernetics and Systems Analysis. 2020. Vol. 56, N 2. P. 187–194.