ذاكرة الكتلة مع تقريب

تم تطوير ذاكرة ذات تقريب غير خطي داخل مجموعات البيانات. يُقترح توزيع المجموعات باستخدام طريقة الوسائل k. يجب إجراء التقريب باستخدام تدريب مجموعة من الشبكات العصبية. يتم اختبار ذاكرة الكتلة باستخدام مرشح تكيفي لتحويل ألوان الصورة. وفقًا لنتائج تجارب الكمبيوتر ، أظهر هذا النوع من الذاكرة قدرة تعليمية انتقائية جيدة. من خلال مثال مرشح التكييف ، من الممكن تدريب الذاكرة لتغيير لوحة ألوان الصورة بأكملها.

مقدمة

عيب كبير في الشبكات العصبية perceptron هو ضعف قدرتها على تعميم البيانات multicluster. على وجه الخصوص ، لا يمكن حل مشكلة XOR الخاصة بتعلم الوظيفة المنطقية باستخدام مدرك واحد ، حيث يمكن تتبع اتجاهين متعارضين في اتجاه واحد لنقاط البيانات لزيادة وتقليل الوظيفة الحاسمة لشبكة عصبية. لا يمكن تعميم مثل هذه التبعيات المتضاربة داخل صفيف بيانات التدريب نفسه بواسطة شبكة عصبية واحدة من شكل الإدراك الحسي متعدد الأبعاد. لذلك ، يُقترح تقسيم مجموعة بيانات التدريب إلى مجموعات تقريبًا داخل الشبكات العصبية الفردية. يتم إجراء تجربة للكمبيوتر في المقالة لاختبار هذا النوع من الذاكرة لمهمة مرشح صورة تكيفي للتحويل الانتقائي للوحة الألوان.

تحليل المجموعة: طريقة الوسائل k

طريقة k-الوسائل هي واحدة من أكثر طرق المجموعات شيوعًا. والغرض منه هو الحصول على مراكز البيانات هذه التي تتوافق مع فرضية الاكتناز لفئات البيانات مع توزيعها المتماثل الشعاعي. طريقة واحدة لتحديد مواقف هذه المراكز ، لعدد معين من k ، هو نهج EM.

في هذه الطريقة ، يتم تنفيذ إجراءين بالتتابع.

1. تعريف لكل كائن البيانات $$$X_ {i}$أقرب مركز $$$C_ {j}$وتعيين تسمية فئة لهذا الكائن $$$X_ {i} ^ {j}$. علاوة على ذلك ، بالنسبة لجميع الكائنات ، يصبح الانتماء لفئات مختلفة محددًا.
2. حساب الموقف الجديد لمراكز جميع الفئات.

تكرار هذين الإجراءين بشكل متكرر من الموضع العشوائي الأولي لمراكز الفصول k ، يمكن للمرء أن يحقق الفصل بين الأشياء في فصول تتوافق مع فرضية الانضغاط الشعاعي للفئات قدر الإمكان.

ستتم مقارنة خوارزمية تصنيف المؤلف الجديد مع طريقة الوسائل k.

ألوان الصورة الأولية

تتيح لك طريقة k-mean المطبقة على مساحة ألوان البيكسل في صورة ما إبراز النغمات الأساسية. للقيام بذلك ، يُقترح تحويل ألوان وحدات البكسل RGB إلى HSB باستخدام طريقة النظام الأساسي Java Color.RGBtoHSB والحصول على تدرج الألوان H والسطوع B. يُقترح تحديد المسافة بين البيكسلات الموجودة في فراغ اللون حسب الصيغة:

$$$dist \ left (X_ {i} ، X_ {j} \ right) = \ sqrt {H_ {i} \ cdot B_ {i} -H_ {j} \ cdot B_ {j}}$

يُقترح حساب الترتيب الأولي لمراكز المجموعات على النحو التالي.

1. العثور على الحد الأدنى والحد الأقصى للقيم $$$H_ {i} \ cdot B_ {i}$لجميع بكسل.
2. قسّم الفاصل الزمني [ min ، max ] إلى أجزاء k .
3. حساب ترددات بكسل في كل الفاصل الزمني الفرعي من حيث القيمة $$$H_ {i} \ cdot B_ {i}$.
4. فرز النطاقات الفرعية حسب عدد البكسل بالترتيب التنازلي.
5. حساب مراكز بكسل في subintervals.

تحليل الكتلة: خريطة التدرج

إن النهج المتبع لإجراء التحليل العنقودي استنادًا إلى طريقة k- يعني عيبًا لعدم وجود تأثير لمؤشرات صور الإخراج. لمراعاة التغيير في مؤشرات صورة المخرجات ، اعتمادًا على التغيير في مؤشرات صورة المدخلات ، يُقترح الخوارزمية التالية.

1. فرز جميع ناقلات المدخلات حسب الحجم $$$H_ {i} \ cdot B_ {i}$
2. عند الانتقال من متجه إدخال واحد إلى آخر في صفيف مفروزة ، قم بعرض التغيير في رتابة الكمية $$$H_ {i} \ cdot B_ {i}$ناقلات الانتاج المقابلة.
3. ناقلات المدخلات رتابة $$$H_ {i} \ cdot B_ {i}$تعيين متجهات الإخراج المقابلة التي لا يزيد حجمها عن العتبة المختارة في فئة واحدة.
4. يمكن تغيير العتبة p لتقسيم المتجهات إلى العدد المطلوب من الكتل.

مرشح التكيف

لتنفيذ تحويل الصور ، من الممكن استخدام الشبكات العصبية. الميزة الرئيسية للشبكات العصبية هي قدرتها على التعلم التلقائي. في هذه الحالة ، يُقترح تدريب مرشح تكيفي [Shovin 2018] استنادًا إلى شبكة عصبية لاستخدام زوج من الصور تكون فيه الصورة الأصلية عينة ، ويتم تغيير الثاني من عينة بواسطة أي مرشح أو تحويل موجود. يحتاج الفلتر التكيفي إلى استعادة هذا التحويل. لهذا الغرض ، يتم استخدام نافذة بحجم dx بواسطة dy و 3 قنوات ملونة. نتيجة لذلك ، يتم استخدام dx • dy • 3 إشارات الإدخال للخلايا العصبية المدخلة في الشبكة العصبية. يمكن استكمال الشبكة بطبقات خفية من عدد الخلايا العصبية المرتبطة بعوامل اللون لتحويل المرشح. يُقترح استخدام 3 خلايا عصبية عند إخراج الخلايا العصبية ، يتم تعيين إشارات الخرج الخاصة بها إلى ثلاثة ألوان ( rgb - أحمر ، أخضر ، أزرق) في البيكسل المركزي للنافذة من صورة المخرجات. يتم تحويل إشارة قناة اللون للبكسل خطيًا إلى نطاق من القيم [- 0.5 ؛ 0.5 ] في حين أن وظيفة السيني غير المتماثلة مع فاصل من القيم [- 1 ؛ 1 ]. بالنسبة إلى وحدات البكسل الحدودية للصور ، عندما تتجاوز النافذة حدود الصور ، يتم تعيين قيم إدخال خلايا الشبكة العصبية المقابلة لهذه البكسلات على 0 . يتم تدريب الشبكة العصبية على النوافذ لجميع وحدات البكسل لصورة الإخراج عن طريق طريقة انتشار الخطأ في الخلف.

ذاكرة الكتلة

بعد العثور على النغمات الأساسية للصورة ، يتم إنشاء مرشح تكيفي لوحدات البكسل لكل نغمة بعرض نافذة وارتفاع 1 بكسل. يتم تدريب المرشحات لكل مجموعة على حدة. وبالتالي ، باستخدام الشبكات العصبية للمرشح التكيفي ، يتم إجراء تقريب ألوان البيكسل داخل الكتلة (النغمة).

التجربة العددية

تم تدريب ذاكرة الكتلة باستخدام المرشحات التكيفية كمثال لتحويل لوح الألوان.


التين. 1. لوحة أصلية ومعدلة.

يتطلب المرشح التكيفي تعلم تبييض ألوان البشرة بشكل انتقائي دون تغيير الألوان الأخرى.

نتيجة لتطبيق مرشح متكيف مع ذاكرة كتلة (9 مجموعات - مجموعات ونقاط حسب خريطة التدرج) على اللوحة الأصلية ، تم الحصول على الصور التالية:


التين. 2. لوحة تغييرها للنغمات الأساسية وخريطة التدرج.

استنتاج

يقترح نهج لتدريس الوظائف المعقدة القائمة على ذاكرة الكتلة مع التقريب باستخدام مجموعة من الشبكات العصبية وإجراء تحليل الكتلة للبيانات المصدر. باستخدام عامل التصفية التكيفي كمثال ، يتم عرض إمكانية التحويل الانتقائي لألوان اللوحة. يكون استخدام ذاكرة الكتلة مع التقريب ذا صلة عندما يتم تتبع الاتجاهات المتعارضة في نفس اتجاهات التغييرات في مؤشرات البيانات المصدر في مجموعة بيانات التدريب. على وجه الخصوص ، من الممكن حل مشكلة XOR لتعلم وظيفة منطقية.

مراجع

1. شوفين فيا مرشح صورة التكيف على أساس شبكة العصبية. // النمذجة الرياضية والكمبيوتر: مجموعة من مواد المؤتمر العلمي الدولي السادس. 2018 .-- 198 ص.