Разработка программного обеспечения для сравнения эффективности различных алгоритмов обучения сверточных нейронных сетей

Расширение применения информационных технологий во всех сферах жизни дало серьезный толчок в развитии новых технологий анализа данных. Стандартные методы прогнозирования, основанные на математических моделях уже не в полной мере удовлетворяют специалистов при создании адаптивных структур, отражающих процессы, протекающие в реальных открытых системах.

В таких условиях получила сильное развитие теория, основанная на принципах работы человеческого мозга с использованием технологий работы нейрона. Искусственная нейронная сеть получает точные знания на базе уже прошедших процессов и продуцирует новые знания с использованием уже имеющихся. Положительные результаты применения искусственных нейронных сетей в экономике и исследовании социальных процессов способствовали созданию новых, более сложных конструкций, называемых сверточными нейронными сетями.

.................

1.2 Особенности используемых алгоритмов для обучения сверточных нейронных сетей

Появление больших баз изображений сделало возможным обучение глубоких нейронных сетей – сетей, количество скрытых слоев которых велико. В решении задачи распознавания изображений наибольшим успехом пользуется использование сверточных нейронных сетей [4].

Алгоритмы глубокого обучения, в том числе, сверточные (конволюционные) нейронные сети, которые были предложены Яном Лекуном, относятся к одному из наиболее эффективных методов решения задач распознавания изображений. Конволюционной сетью производится имитация механизма анализа изображений, который используется зрительным отделом коры головного мозга человека [2].

В рамках данной методологии реализовано применение нового, инновационного гибридного алгоритма обучения конволюционной нейронной сети, в основе которого лежит алгоритм обратного распространения ошибки и конволюционный генетический алгоритм оптимизации.

Отличие конволюционного генетического алгоритма (ГА) от стандартного заключается в том, в нем вместо одной популяции применяется несколько популяций, эволюция в которых происходит независимо друг от друга (отсюда он и называется конволюционным).

Каждая популяция функционирует в соответствии в соответствии с со своим ГА с определенными заданными параметрами, который отвечает за обеспечение процедуры оптимизации. Через фиксированное число итераций осуществляется миграция (обмен решениями между популяциями). В коэволюционном ГА отсутствует необходимость в тонкой настройке параметров, что выгодно отличает его от стандартного ГА.

..................