Research Results 15-1

Программное обеспечение для реализации нейронной сети с комплекснозначными нейронами

Предложено для контролируемой классификации изображений использовать нейронные сети с комплекснозначными нейронами (MLMVN).

Сети из комплекснозначных нейронов имеют следующие преимущества:

  1. Способность одного нейрона к моделированию зависимости между входными и выходным данными выше, чем у обычного нейрона с логистической функцией активации.
  2. Существенно более простой алгоритм обучения. Для обучения не требуется расчет производных, более того, обучение вообще не является оптимизационной задачей. Как правило, обучение такой сети происходит за гораздо более короткое время, чем у классической сети.
  3. В отличие от логистической функции активации, имеющей лишь два различных значения в дискретном случае, комплекснозначные нейроны имеют большую гибкость, позволяя моделировать задачи классификации более естественным образом.

Программа для реализации MLMVN была реализована на языке C++; для убыстрения работы использованы расширения OpenMP. Код библиотеки, реализующей работу с сетью MLMVN и ее обучение, размещен в сети Интернет [1]

Эффективность разработанных программно-алгоритмических средств продемонстрирована на примере классификации гиперспектрального изображения Stanford Tower (рис.1). На нем были выделены 11 классов пикселов и несколько областей, соответствующих этим классам (классы выделены разным цветом).

Рис.1 – RGB композит исходного изображения

Общая выборка состояла из 45177 пикселов, каждому из которых соответствовало 148 спектральных коэффициентов. На обучающей выборке размером 1100 (по 100 элементов на каждый класс) сети понадобилось около 680 итераций (каждая итерация предполагает пробег и коррекцию весов для каждого элемента выборки) для достижения показателя корректной классификации 99,00 % (11 ошибок на всю выборку). Само обучение заняло около 6 минут (компьютер с процессором AMD Phenom 9850).

 

· · · ··

Рис.2 – Зависимость эффективности классификации от числа итераций

На рис.2 показана зависимость процента верной классификации от номера итерации. Красным цветом обозначена обучающая выборка, зеленым - контрольная.

Обучение остановилось, когда обучающая выборка была распознана на 100 %. В контрольной на этот момент показатель был 85,2 %. Максимум у контрольной выборки составил 87,7 %.

  1. https://github.com/be9/mlmvn