Please use this identifier to cite or link to this item:
Title: Метод класифікації зображень товарів на основі квадратної нейромережі із затримкою за часом
Authors: Патрушева, О.І.
Патрушев, В.А.
Keywords: класифікація
штучна нейронна мережа
пакетний режим навчання
Issue Date: 2019
Publisher: Донецький національний технічний університет
Citation: Патрушева, О.І. Метод класифікації зображень товарів на основі квадратної нейромережі із затримкою за часом / О.І. Патрушева, В.А. Патрушев // Наукові праці ДонНТУ : Всеукр. наук. зб. - Покровськ, 2019. – Серія: Інформатика, кібернетика та обчислювальна техніка. - №1 (28)-2 (29). – С.61-66. – Бібліогр.:19 назв.
Series/Report no.: Інформатика, кібернетика та обчислювальна техніка;№1 (28)-2 (29)
Abstract: В статті розглянуті і проаналізовані існуючі методи класифікації зображень. Виходячи з основних переваг та недоліків, розроблений і реалізований нейромережевий метод класифікації зображень товарів, надісланих споживачем в інтернет-магазин. В основі методу лежить запропонована авторами квадратна нейронна мережа із затримкою за часом (QTDNN). Навчання QTDNN проводилося на основі алгоритму зворотного поширення помилки, причому авторами було запропоновано його пакетний варіант. Для оцінки ефективності запропонованого методу було проведено чисельні дослідження, які доводять ефективність обраної мережі та її архітектури.
Description: Currently, one of the most important problems encountered by modern online stores is the lack of built-in mechanisms that allow to classify images of products received from the consumer. This leads to a decrease in the profit of the online store and dissatisfaction of the consumer. Therefore, the development of methods for classification of product images is relevant. The purpose of the work is to develop a method of classification of product images. To achieve the goal, the following tasks were set and solved: to analyze the existing methods of classification of images; choose artificial neural network classification; determine the structure of the artificial neural network model; choose a criterion for evaluating the efficiency of the neural network model of classification; to teach models of artificial neural network; carry out numerical studies. Since the use of artificial neural networks in the classification of images gives a tangible advantage, which is that: the relationships between factors are studied on the finished models; no assumptions are needed about the distribution of factors; a priori information about the factors may be absent; the source data can strongly correlate, be incomplete or noisy; possible analysis of systems with a high degree of non-linearity; rapid development of the model; high adaptability; possible analysis of systems with a large number of factors; not requiring a complete overview of all possible models; possible analysis of systems with heterogeneous factors, the article used a neural network method of classification. Since the RLMP, JNN, ENN (SRN), TDNN, and DBN neural networks have been studied in the article, they do not provide high accuracy of classification, the author proposed square time neuron network with time delay (QTDNN), which has the following structure. The input layer is a square matrix of the image being categorized. Hidden layers are also square matrices. The source layer contains neurons that correspond to the classes of images. The area of communication (sub-matrix of the matrix layer) of the previous layer, which is displayed in the current neuron, is also square. In the transition to the neighboring neuron, the area of communication is shifted to one. On the basis of the proposed structure a neural network model was developed. In order to prevent the gradient attenuation effect, which is typical for deep neural networks, the activation function for hidden layers uses the function of a straight-line linear unit (ReLU). As the activation function for the output layer, the logistic function was used. The experiments conducted showed that for the 128x128 image matrix with 16 hidden layers, the value of the mean square error does not change significantly, and the QTDNN gives the results of the classification with a minimum deviation. As a learning algorithm, a batch version of the error-reverse error algorithm (BP) was proposed. This allowed to provide high speed and accuracy of classification. The proposed approach can be used in various intelligent classification systems.
ISSN: 1996-1588
Appears in Collections:Кафедра прикладної математики та інформатики

Files in This Item:
File Description SizeFormat 
09_Patrusheva-1.pdf1,72 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.