Многослойные искусственные нейронные сети с функцией активации типа s-парабола и их приложения

Обложка

Цитировать

Полный текст

Аннотация

Выполнен анализ современных работ в области построения быстродействующих нейронов и нейронных сетей. Приведен алгоритм настройки многослойной нейронной сети прямого распространения с функцией активации типа s-парабола. Рассмотрены примеры применения s-параболы в составе искусственных нейронных сетей для решения задач распознавания и прогнозирования временных рядов. Дано сравнение качества решений, полученных предложенным подходом, с решениями на основе нейронных сетей с традиционным сигмоидом. Показано наличие преимущества s-параболы по скорости обучения и последующего решения прикладной задачи.

Об авторах

Михаил Вячеславович Хачумов

Институт программных систем им. А.К. Айламазяна РАН; Федеральный исследовательский центр «Информатика и управление» РАН; Российский университет дружбы народов им. Патриса Лумумбы

Автор, ответственный за переписку.
Email: khmike@inbox.ru

кандидат физико-математических наук, старший научный сотрудник; старший научный сотрудник; доцент

Россия, Переславль-Залесский; Москва; Москва

Юлия Геннадиевна Емельянова

Институт программных систем им. А.К. Айламазяна РАН

Email: yuliya.emelyanowa2015@yandex.ru

кандидат технических наук, старший научный сотрудник

Россия, Переславль-Залесский

Список литературы

  1. Lavin A., Gray S. Fast Algorithms for Convolutional Neural Networks CVPR // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 4013-4021. doi: 10.1109/CVPR.2016.435.
  2. Валуева М.В., Ляхов П.А., Нагорнов Н.Н., Валуев Г.В. Высокопроизводительные архитектуры цифровой фильтрации изображений в системе остаточных классов на основе метода Винограда // Компьютерная оптика. 2022. № 5. Т. 46. С. 752-762. doi: 10.18287/24126179-CO-933.
  3. Lebedev V. Algorithms for speeding up convolutional neural networks: Doctoral Thesis. Skolkovo Institute of Science and Technology. Doctoral program in computational and data science and engineering. Moscow, 2018. P. 106.
  4. Arce F., Zamora E., Humberto S., Barrón R. Differential evolution training algorithm for dendrite morphological neural networks // Applied Soft Computing. 2018. V. 68. P. 303-313.
  5. Dimitriadis N., Maragos P. Advances in the training, pruning and enforcement of shape constraints of morphological neural networks using tropical algebra // IEEE International Conference On Acoustics, Speech And Signal Processing. 2021. P. 3825-3829.
  6. Limonova E.E., Nikolaev D.P., Alfonso D.M., Arlazarov V.V. Bipolar morphological neural networks: gate-efficient architecture for computer vision // IEEE Access. 2021. V.9. P. 97569-97581.
  7. Dubey Sh.R., Singh S.K., Chaudhuri B.B. Activation Functions in Deep Learning: A Comprehensive Survey and Benchmark // Neurocomputing. 2022. V. 503. No 11. P. 1-18. doi: 10.1016/j.neucom.2022.06.111.
  8. Feng J., Lu Sh. Performance Analysis of Various Activation Functions in Artificial Neural Networks // Journal of Physics Conference Series. 2019. P. 1-7. doi: 10.1088/1742-6596/1237/2/02203.
  9. Хачумов М.В., Емельянова Ю.Г. Парабола как функция активации искусственных нейронных сетей // Искусственный интеллект и принятие решений. 2023. № 2. С. 89-97. doi: 10.14357/20718594230207 (RSCI).
  10. Хачумов М.В., Емельянова Ю.Г., Емельянов М.А., Хачумов В.М. Логический базис на нейронах с параболической функцией активации // Материалы Двадцать третьей Международной конференции по Вычислительной механике и современным прикладным программным системам (ВМСППС’2023). 2023. С. 144-146.
  11. Sosnin A.S., Suslova I.A. Neural network activation functions: sigmoid, linear, step, relu, than // Science. Information support. Technology. Education. The Proceedings of XII international research and practice conference. 2019. P. 237-246.
  12. Военная авиация России: обзор боевых самолетов // Электронный ресурс. URL: https://pilotgid.ru/samolety/voennye-samolety-rossii.html (доступ 05.10.2023).
  13. Нгуен З.Т. Инварианты в задачах распознавания графических образов // Веснтик РУДН. Серия Математика. Информатика. Физика. 2016. № 1. С. 76-85.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».