МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ
РАСПОЗНАВАНИЕ ОБРАЗОВ
С.А. Гладилин, Д.П. Николаев, Д.В. Полевой, Н.А. Соколова "Исследование возможности повышения точности распознавания нейронной сети при фиксированном числе активных нейронов"
С.А. Гладилин, Д.П. Николаев, Д.В. Полевой, Н.А. Соколова "Исследование возможности повышения точности распознавания нейронной сети при фиксированном числе активных нейронов"

Аннотация.

В статье исследуется возможность повышения точности нейросетевого классификатора в системе реального времени без ухудшения временных характеристик за счет замены нейронной сети составным классификатором, являющимся двухуровневым деревом. Такая схема позволяет при том же времени классификации увеличить общее число нейронов, задействованных в классификаторе, повышая тем самым его выразительную силу. Экспериментальное исследование предложенного метода производится на примере задачи распознавания символов, тисненых на пластиковых картах.

Ключевые слова:

обучение машин, статистические методы распознавания, распознавание символов, многослойные нейронные сети, признаковые пространства, распознавание в реальном времени.

Стр. 96-105.

S.A. Gladilin, D.P. Nikolaev, D.V. Polevoi, N.A. Sokolova

"Study of Multilayer Perceptron Accuracy Improvement under Fixed Number of Neuron"

In this article multilayer perceptron accuracy improvement of real time recognition system under time limitations was explored. To solve this task two level tree of classifiers was used. The top level of the tree is a fast selector gotten without supervised training, and the bottom level is a set of neural net classifiers
trained on the corresponding training sets. These scheme allows to increase the number of neurons used in recognition under the same processing time, that helps to increase generalisation power of the classifier. Recognition of embossed symbols on plastic cards was used as model task.

Keywords: machine learning, OCR, multilayer perceptron, feature spaces, real time recognition systems.

REFERENCES

1. Masoudnia, S., Ebrahimpour, R., “Mixture of experts: a literature survey”, Artificial Intelligence Review, (2012).
2. Wozniak, M., Grana, M., & Corchado, E. “A survey of multiple classifier systems as hybrid systems”, Information Fusion, 16(13), 3–17 (2014).
3. Dietterich, T. G., “Ensemble Methods in Machine Learning”, Multiple Classifier Systems SE - 1 (Vol. 1857, pp. 1–15), (2000).
4. Giacinto, G., & Roli, F., “Dynamic Classifier Selection”, Proceedings of the First International Workshop on Multiple Classifier Systems (pp. 177–189). London, UK, UK: Springer-Verlag, (2000).
5. Ko, A. H. R., Sabourin, R., & Britto, Jr., A. S., “From dynamic classifier selection to dynamic ensemble selection”, Pattern Recognition, 41(5), 1718–1731, (2008).
6. Steinhaus H. “Sur la division des corps materiels en parties”, Bull. Acad. Polon. Sci., C1. III vol. IV: 801—804, (1956).
7. Jain, A. K., & Lansing, E., “Data Clustering”, 50 Years Beyond K-Means Michigan State University, (2009).

 

2017 / 03
2017 / 02
2017 / 01
2016 / 04

© ФИЦ ИУ РАН 2008-2016. Создание сайта "РосИнтернет технологии".