Claims (2)
1. Способ обучения искусственной нейронной сети (ИНС), предназначенной для решения задач классификации объектов, описываемых наборами числовых признаков (векторами), содержащий N-мерное пространство обучающих векторов u(n)=[u1(n), …, uN(n)]T, n=1, 2, …, К для обучения ИНС; М исследуемых классов объектов L1, L2, …, Lj, j=1, 2, …, М; эталонные сигналы dj(n), соответствующие исследуемым классам Lj(n) объектов; вектор синаптических весов нейронов w(n) ИНС; шаг коррекции η, 0<η<1; выходные сигналы ИНС y(n) отличающийся тем, что обучающие векторы u(n), n=1, 2, …, К формируют на основе знаний человека, компетентного в рассматриваемой области (эксперта), в случае отсутствия статистически достаточного ряда наблюдений исследуемых объектов, причем эксперт последовательно определяет классы исследуемых объектов, к которым относятся сгенерированные с помощью генератора псевдослучайных чисел обучающие векторы входных сигналов ИНС, принадлежащие некоторой рассматриваемой области, и созданные компьютером визуальные образы, наглядно описывающие объекты, задаваемые сгенерированными обучающими векторами, при этом реализуемый с использованием компьютера порядок выполнения действий патентуемого способа содержит следующие этапы: определяют необходимое число К обучающих векторов u(n), n=1, 2, …, K для обучения ИНС; ограничивают N-мерное пространство входных векторов u некоторой рассматриваемой областью О; указывают М векторов, описывающих наиболее типичных представителей каждого из М исследуемых классов объектов L1, L2, …, Lj, j=1, 2, …, М, принадлежащих области О; генерируют компьютером с помощью генератора псевдослучайных чисел К обучающих векторов u(n), n=1, 2, …, К входных сигналов ИНС, принадлежащих области О, вначале вблизи окрестности указанных М векторов, описывающих наиболее типичных представителей каждого из М исследуемых классов объектов L1, L2, …, Lj, с последующим последовательным равномерным расширением этой окрестности до указанной ранее области О; создают компьютером визуальные образы, наглядно описывающие объекты, задаваемые сгенерированными обучающими векторами; демонстрируют эксперту сгенерированные обучающие векторы и визуальные образы, наглядно описывающие объекты, задаваемые сгенерированными обучающими векторами; определяют, на основе знаний эксперта об исследуемых объектах, в пределах рассматриваемой области О, один из М классов, к которому относится каждый из К сгенерированных обучающих векторов u(n) входных сигналов ИНС; записывают сгенерированные обучающие векторы u(n) и эталонные сигналы dj(n), соответствующие классам Lj(n) объектов, к которым, по мнению эксперта, относятся сгенерированные вектора, в виде пар <u(n), dj(n)> на материальный носитель; считывают записанные пары вида <u(n), dj(n)> с материального носителя и подают на входы ИНС считанные сигналы обучающих векторов u(n) и соответствующие эталонные сигналы dj(n); корректируют вектор синаптических весов нейронов w(n) с шагом коррекции η до завершения обучения ИНС.1. A method of training an artificial neural network (ANN), designed to solve the problems of classifying objects described by sets of numerical signs (vectors), containing the N-dimensional space of training vectors u (n) = [u 1 (n), ..., u N ( n)] T , n = 1, 2, ..., K for training ANN; M of the studied classes of objects L 1 , L 2 , ..., L j , j = 1, 2, ..., M; reference signals d j (n) corresponding to the studied classes of L j (n) objects; synaptic neuron weights vector w (n) ANN; correction step η, 0 <η <1; ANS output signals y (n) characterized in that the training vectors u (n), n = 1, 2, ..., K, are formed on the basis of knowledge of a person competent in the field under consideration (expert), in the absence of a statistically sufficient number of observations of the studied objects moreover, the expert sequentially determines the classes of the studied objects, which include the training vectors of the input ANN input signals generated by the pseudo-random number generator, belonging to a certain considered area, and computer-generated visual images clearly describing the objects defined by the generated training vectors, and the procedure for performing the actions of the patented method implemented using a computer includes the following steps: determine the required number K of training vectors u (n), n = 1, 2, ..., K for training the ANN; restrict the N-dimensional space of input vectors u to some domain O; indicate M vectors describing the most typical representatives of each of the M studied classes of objects L 1 , L 2 , ..., L j , j = 1, 2, ..., M, belonging to region O; generated by a computer using a pseudorandom number generator K training vectors u (n), n = 1, 2, ..., K input ANN signals belonging to region O, first near a neighborhood of these M vectors that describe the most typical representatives of each of the M studied object classes L 1 , L 2 , ..., L j , followed by successive uniform expansion of this neighborhood to the previously indicated region O; create visual images by the computer that clearly describe the objects defined by the generated training vectors; demonstrate to the expert the generated training vectors and visual images that clearly describe the objects defined by the generated training vectors; determine, on the basis of the expert’s knowledge of the objects under study, within the considered region O, one of the M classes, to which each of the K generated training vectors u (n) of the ANN input signals belongs; write the generated training vectors u (n) and reference signals d j (n) corresponding to the classes L j (n) of objects, which, according to the expert, include the generated vectors in the form of pairs <u (n), d j (n )> to a material medium; read the recorded pairs of the form <u (n), d j (n)> from the material medium and supply the read signals of the training vectors u (n) and the corresponding reference signals d j (n) to the ANN inputs; correct the vector of synaptic neuron weights w (n) with a correction step η until the completion of ANN training.
2. Способ обучения искусственной нейронной сети (ИНС), предназначенной для решения задач классификации объектов, описываемых наборами числовых признаков (векторами) по п.1, отличающийся тем, что в случае затруднения эксперта с определением принадлежности какого-либо из К сгенерированных обучающих векторов u(n) входных сигналов ИНС к тому или иному из М классов, имеют возможность отказаться от работы с данным вектором и повторно генерируют новые обучающие векторы без определения их принадлежности до тех пор, пока не смогут корректно определить на основе знаний эксперта об исследуемых объектах принадлежность одного из вновь сгенерированных векторов.
2. A method of training an artificial neural network (ANN), designed to solve the problems of classifying objects described by sets of numerical signs (vectors) according to claim 1, characterized in that in the case of an expert’s difficulty in determining the affiliation of any of the K generated training vectors u (n) ANN input signals to one or another of the M classes, have the ability to refuse to work with this vector, and regenerate new training vectors without determining their affiliation until they can correctly determine be based on expert knowledge about the object belongs one of the newly generated vectors.