Студопедия  
Главная страница | Контакты | Случайная страница

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

Алгоритм классификации объектов на основе растущих нейросетевых структур

Читайте также:
  1. A) структура рабочего стола
  2. B. учение о сложной структуре дефекта
  3. C) Слизистая оболочка тонкая, выстлана многослойным плоским неороговевающим эпителием, собственная пластинка образует короткие сосочки и прилегает к подслизистой основе.
  4. C. Ветвящихся алгоритмов
  5. CТРУКТУРЫ ДАННЫХ И АЛГОРИТМЫ
  6. D. Требования к структуре и оформлению курсовой работы.
  7. E) физическая и психическая неприкосновенность.
  8. E)& физическая и психическая неприкосновенность
  9. GІІ.Излагаете проблему группе. Вместе со всеми вырабатываете решение на основе консенсуса. Выполняете любое решение группы.
  10. I Тема: Структурно-смысловые особенности описания

Предложен метод классификации на базе нейронных сетей, позволяющий производить классификацию изображений гистологических препаратов и исследовать внутреннюю структуру данных.

 

Постановка диагноза при гистологическом анализе является слабоформализованной задачей, а успешность ее решения существенным образом зависит от квалификации и опыта врача-морфолога, проводящего такой анализ. Попытки автоматизации гистологического анализа сталкиваются с трудностями выявления информативных признаков, позволяющих произвести правильную классификацию исследуемого материала. В настоящей работе предложен подход к решению указанной задачи путем применения нейросетевого классификатора гистологических изображений.

Исходным материалом для построения системы автоматической классификации объектов служит база объектов, уже отклассифицированных экспертным путем (врачом-морфологом). В настоящее время существует ряд методов, позволяющих осуществить классификацию на примерах, входящих в базу, однако наиболее точные из них характеризуются высокими требованиями к памяти и скорости обработки. Трудным является также случай, когда классы имеют сложную конфигурацию или слабо локализованы в области определения признаков.

Нейросетевая структура представляет собой набор узлов-нейронов , каждый из которых характеризуется вектором синаптических коэффициентов: , где – размерность пространства входных векторов. Кроме того, каждый нейрон «окрашен» индексом класса принадлежности , где – общее число классов.

Паттерны (примеры) представляют собой точки в -мерном пространстве признаков. – объем исходной базы объектов. Каждый пример также окрашен индексом класса своей принадлежности. Вектора синаптических коэффициентов нейронов также можно изобразить в виде точек в -мерном пространстве входных признаков. После окончания адаптации вектора синаптических коэффициентов будут обозначать центры кластеров, выделенных внутри классов.

Процедура адаптации начинается со структуры, содержащей нейронов, по числу различаемых классов. Исходное положение -го нейрона при инициализации – в центре -го класса.

Далее подсчитывается ошибка классификации (какое количество примеров «теряет» каждый класс). Добавляется нейрон того «цвета», для которого ошибка максимальна. Производится подстройка синаптических коэффициентов всех нейронов. Нейроны имеют соревновательную активационную характеристику. На каждом шаге обучения настраивается только один нейрон: нейрон-победитель. В случае, если нейрон сработал при воздействии данного такого же «цвета», нейрон-победитель притягивается к этому данному, в случае если нейрон сработал неправильно (при воздействии паттерна другого цвета) – отталкивается.

Процедура продолжается до тех пор, пока не будет достигнута требуемая точность.

Предложенный метод позволяет осуществлять классификацию с заданной точностью даже на сильно фрагментированных данных, кроме того, анализ получившейся в результате самоорганизации нейросетевой структуры позволит выявить структуру данных.

 

Список литературы

1. B. Fritzke “A Growing Neural Gas Learns Topologies”. Advances in Neural Information Processing Systems 7, MIT Press, Cambridge MA, 1995.

2. J. Blackmore, R. Miikkulainen “Incremental greed growing: Encoding high-dimensional structure into a two-dimensional feature map. Technical Report AI92-192, 1992.

3. B. Fritzke “Kohonen feature map and growing cell structures – a performance comparsion”. Advances in Neural Information Processing Systems 5, CA 1993.

4. B. Fritzke “Unsupervised clustering with growing cell structures”. Proc. Of IJCNN-91 Seattle (©1991 by IEEE).

 


Дата добавления: 2014-12-18; просмотров: 10 | Нарушение авторских прав

<== предыдущая лекция | следующая лекция ==>
БЕЗ ЦИХ ДОКУМЕНТІВ СТУДЕНТ НЕ ДОПУСКАЄТЬСЯ ДО ВІЙСЬКОВО-ЛІКАРСЬКОЇ КОМІСІЇ| Алгоритм установления контакта.

lektsii.net - Лекции.Нет - 2014-2019 год. (0.009 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав