![]() |
Центр оптико-нейронных технологий
ФГУ ФНЦ НИИСИ РАН |
||||||||||||||||||
|
ХЕШ-ФУНКЦИЯ НА ОСНОВЕ ВЕКТОРНОГО ПЕРСЕПТРОНА
Аннотация В данной работе предлагается простой алгоритм, позволяющий производить быстрый ассоциативный поиск изображения по его ключу при наличии больших искажений. В работах [1-3] описана параметрическая нейросеть, обладающая большой емкостью памяти и способностью восстанавливать вектор при большом искажении. Предложенная в данной работе схема векторного персептрона базируется на результатах, полученных [1-3]. Постановка задачи
Имеется множество N-мерных векторов
Решающий эту задачу персептрон, представлен на рис.1. Он состоит из двух слоев нейронов, где каждый нейрон входного слоя связан со всеми нейронами выходного слоя. Алгоритм его работы реализован следующим образом. 1. Суть алгоритма ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() где
2. Поиск идентификатора ·
Пусть на вход
сети подается некий образ · Для каждого i-го выходного нейрона считаем локальное поле со стороны нейронов входного слоя:
·
Под воздействием
локального поля i-й выходной нейрон ориентируется вдоль орта,
направление которого наиболее близко направлению внешнего поля. При этом,
восстанавливается кодирующий выходной вектор ·
Обозначим через Вероятность того, что номер m вектора определен неверно, задается выражением где b - параметр шума, т.е. вероятность того, что i-я компонента входного вектора искажена. Число образов, которые можно записать при заданных параметрах (величине искажений b и ошибке распознавания P0) Как известно, быстрый поиск при наличии больших искажений (зашумленности) входных данных крайне затруднен. Одним из вариантов решения этой задачи является применение векторного персептрона. Список литературы: 1. Б.В.Крыжановский, А.Л.Микаэлян. "О распознающей способности нейросети на нейронах с параметрическим преобразованием частот ". Доклады АН, сер. мат.физика, т. 383, №3, с.318-321, 2002. 2. B.V.Kryzhanovsky, V.M.Kryzhanovsky, A.L.Mikaelian and A.Fonarev. "Parametric dynamic neural network recognition power". Optical Memory&Neural Network, Vol. 10, №4, pp.211-218 (2001). 3. Б.В.Крыжановский, А.Л.Микаэлян. "Ассоциативная память, способная распознавать сильно скоррелированные образы ". Доклады АН, информатика, т 390, №1, с.27-31, 2003. 4. Б.В. Крыжановский, В.М. Крыжановский. Распознавание коррелированных образов с помощью векторной нейросети. Сборник трудов II-й международной конференции <Интегрированные модели и мягкие вычисления в искусственном интеллекте>, с.321-327, Коломна-2003. Описание программы
|
||||||||||||||||||
© Центр оптико-нейронных технологий
Федеральное государственное учреждение Федеральный научный центр Научно-исследовательский институт системных исследований Российской академии наук All rights reserved. 2016 г. |