ОПТИМАЛЬНЕ ЧИСЛО НЕЙРОНІВ ПРИХОВАНОГО ШАРУ ДВОШАРОВОГО ПЕРСЕПТРОНА ТА СПІВВІДНОШЕННЯ СКВ ПІКСЕЛЬНИХ СПОТВОРЕНЬ І МАСШТАБУВАННЯ ДЛЯ ЙОГО НАВЧАННЯ НА МАСШТАБОВАНИХ ЗОБРАЖЕННЯХ ФОРМАТУ 60-НА-80 З ПІКСЕЛЬНИМИ СПОТВОРЕННЯМИ У ЗАДАЧІ КЛАСИФІКАЦІЇ МАСШТАБОВАНИХ ОБ’ЄКТІВ

Анотація

Розглянуто задачу класифікації. Об’єкти для класифікації спотворені з ефектом лінійного
масштабування. Класифікатором є двошаровий персептрон. Модель об’єкта – монохромне 60-на-
80-зображення збільшеної великої літери англійського алфавіту. Відтак генеральна сукупність
сформована з монохромних 60-на-80-зображень алфавітних літер, становлячи 26 класів. Наша
мета – довести, як число нейронів прихованого шару у двошаровому персептроні й елемент
топологічної конфігурації для його навчання можуть бути оптимізовані для задачі класифікації
масштабованих об’єктів. Цим елементом топологічної конфігурації є співвідношення СКВ
піксельних спотворень і масштабування. Це співвідношення дає підстави додавати у навчальну
множину об’єкти зі спотвореними ознаками. Це спотворення ознак формується через додавання
нормального шуму з нульовим середнім і дисперсією, яка регулюється цим співвідношенням.
Двошаровий персептрон моделюється, навчається та тестується у MATLAB. Фактично, це
оптимізаційна задача з двома змінними, де продуктивність персептрона оптимізується у сенсі
зменшення відсотка помилок класифікації. Він є функцією, яку оцінюють на декартовому добутку
діапазонів числа нейронів прихованого шару та співвідношення СКВ. Цей добуток прямокутник з
горизонтальними смугами, який у подальшому дискретизується до гратки. Результатом
оптимізації є 150 нейронів у прихованому шарі та співвідношення, що дорівнює 0.02, які дають
змогу отримувати класифікатор, де лише одна помилка трапляється на 37 об’єктів з
максимальним ефектом масштабування.
Ключові слова: класифікація масштабованих об’єктів, двошаровий персептрон, монохромне
зображення, навчальна множина, відсоток помилок класифікації, оптимальне число нейронів
прихованого шару, оптимальне співвідношення середньоквадратичних відхилень піксельних
спотворень і масштабування.