Интервальная ART-нейронная сеть для решения задач кластеризации при анализе образов с интервальными атрибутами

Аннотация

Введение: в системах машинного зрения при обработке результатов экспериментов и моделировании интеллектуальных систем широко используются методы на основе адаптивного резонанса. Такие системы могут работать в условиях неопределенности, для описания которой используются интервальные данные. Но известные методы теории адаптивного резонанса не оперируют таким типом данных. Цель: разработать динамическую нейронную сеть на основе теории адаптивного резонанса для анализа образов с интервальными атрибутами и создать методы ее обучения. Результаты: предложена структура интервальной нейронной сети с использованием теории адаптивного резонанса, которая позволяет решать задачу кластеризации данных при анализе многомерных образов с интервальными атрибутами в условиях действия различного рода помех и искажений. На ее основе разработана компьютерная программа для моделирования данной нейронной сети при решении указанной задачи. Проведено численное моделирование представленной интервальной нейронной сети, показавшее высокую эффективность при анализе зашумленных образов. Сеть обладает свойством самообучения. Анализ предложенных моделей мер близости (бинарной, меры близости 1, меры близости 2) входных образов нейронной сети и хранящихся в памяти продемонстрировал их схожую эффективность, но лучшей точностью обладает мера близости 2, которая и рекомендуется в качестве основной. Практическая значимость: описанная интервальная нейронная сеть расширяет возможности машинного зрения, мобильных роботов, может использоваться для создания систем анализа конфигурации пространства, в котором данный робот функционирует. Сеть может применяться также для выявления скрытых закономерностей при анализе экспериментальных данных, при создании информационно-советующих систем, работающих в условиях интервальной неопределенности.