सन्निकटन के साथ क्लस्टर मेमोरी

डेटा क्लस्टर्स के अंदर नॉनलाइनियर सन्निकटन के साथ एक मेमोरी विकसित की जाती है। क्लस्टर को k- साधन विधि का उपयोग करके आवंटित किया जाना प्रस्तावित है। तंत्रिका नेटवर्क के कलाकारों की टुकड़ी के प्रशिक्षण का उपयोग करके अंदाजा लगाया जाना चाहिए। छवि की रंग बदलने के लिए एक अनुकूली फिल्टर का उपयोग करके क्लस्टर मेमोरी का परीक्षण किया जाता है। कंप्यूटर प्रयोगों के परिणामों के अनुसार, इस प्रकार की मेमोरी में सीखने की अच्छी क्षमता थी। एक अनुकूली फिल्टर के उदाहरण से, छवि के पूरे रंग पैलेट को बदलने के लिए मेमोरी को प्रशिक्षित करना संभव है।

परिचय

परसेप्ट्रान न्यूरल नेटवर्क का एक महत्वपूर्ण दोष मल्टीक्लेस्टर डेटा को सामान्य बनाने की उनकी खराब क्षमता है। विशेष रूप से, एक तार्किक फ़ंक्शन सीखने के लिए XOR समस्या को एक एकल अवधारणात्मक के साथ हल नहीं किया जा सकता है, क्योंकि एक तंत्रिका नेटवर्क के निर्णायक कार्य में वृद्धि और कमी के लिए डेटा बिंदुओं की एक दिशा में दो परस्पर विरोधी रुझान का पता लगाया जा सकता है। एक ही प्रशिक्षण डेटा सरणी के भीतर इस तरह के परस्पर विरोधी निर्भरता को एक बहुआयामी रिसेप्टर के रूप के एकल तंत्रिका नेटवर्क द्वारा सामान्यीकृत नहीं किया जा सकता है। इसलिए, प्रशिक्षण डेटा के सरणी को समूहों में विभाजित करना प्रस्तावित है, जिसमें व्यक्तिगत तंत्रिका नेटवर्क को अनुमानित किया जाता है। एक रंग पैलेट के चयनात्मक रूपांतरण के लिए एक अनुकूली छवि फिल्टर के कार्य के लिए इस प्रकार की स्मृति का परीक्षण करने के लिए लेख में एक कंप्यूटर प्रयोग किया जाता है।

क्लस्टर विश्लेषण: k- साधन विधि

K- साधन विधि सबसे लोकप्रिय क्लस्टरिंग विधियों में से एक है। इसका उद्देश्य ऐसे डेटा केंद्रों को प्राप्त करना है जो उनके सममित रेडियल वितरण के साथ डेटा कक्षाओं की कॉम्पैक्टनेस की परिकल्पना के अनुरूप होंगे। ऐसे केंद्रों के पदों को निर्धारित करने के लिए, दिए गए संख्या k के लिए एक तरीका है, EM दृष्टिकोण।

इस पद्धति में, दो प्रक्रियाओं को क्रमिक रूप से किया जाता है।

1. प्रत्येक डेटा ऑब्जेक्ट के लिए परिभाषा $$$X_ {i}$निकटतम केंद्र $$$C_ {j}$, और इस ऑब्जेक्ट पर एक क्लास लेबल असाइन करना $$$X_ {i} ^ {j}$। इसके अलावा, सभी वस्तुओं के लिए, अलग-अलग वर्गों से उनका संबंध निर्धारित होता है।
2. सभी वर्गों के केंद्रों की नई स्थिति की गणना।

K वर्गों के केंद्रों की प्रारंभिक यादृच्छिक स्थिति से पुनरावृत्त इन दो प्रक्रियाओं को दोहराते हुए, वस्तुओं को उन वर्गों में अलग-अलग किया जा सकता है जो कक्षाओं की रेडियल कॉम्पैक्टनेस की परिकल्पना के अनुरूप हो सकते हैं।

एक नए लेखक के वर्गीकरण एल्गोरिदम की तुलना k- साधन विधि के साथ की जाएगी।

प्राथमिक छवि रंग

एक छवि में पिक्सेल के रंग स्थान पर लागू k- साधन विधि आपको मूल टन को उजागर करने की अनुमति देती है। ऐसा करने के लिए, जावा Color.RGBtoHSB प्लेटफ़ॉर्म विधि का उपयोग करके RGB पिक्सल के रंगों को HSB में बदलना प्रस्तावित है और रंग h H और Bright B प्राप्त करें । रंग अंतरिक्ष में पिक्सल के बीच की दूरी सूत्र द्वारा निर्धारित करने का प्रस्ताव है:

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

क्लस्टर केंद्रों की प्रारंभिक व्यवस्था की गणना निम्नानुसार प्रस्तावित की जाती है।

1. न्यूनतम और अधिकतम मान ज्ञात करें $$$H_ {i} \ cdot B_ {i}$सभी पिक्सेल के लिए।
2. अंतराल [ मिनट , अधिकतम ] को k भागों में विभाजित करें।
3. मूल्य द्वारा प्रत्येक उप-अंतराल में पिक्सेल आवृत्तियों की गणना करें $$$H_ {i} \ cdot B_ {i}$।
4. अवरोही क्रम में पिक्सेल की संख्या से उप-श्रेणियों को क्रमबद्ध करें।
5. उप केंद्रों में पिक्सेल केंद्रों की गणना करें।

क्लस्टर विश्लेषण: ग्रेडिएंट मैप

K- साधन विधि के आधार पर क्लस्टर विश्लेषण करने के लिए दृष्टिकोण का नुकसान यह है कि आउटपुट छवि सूचकांकों का कोई प्रभाव नहीं है। आउटपुट छवि के संकेतकों में परिवर्तन को ध्यान में रखना, इनपुट छवि के संकेतकों में परिवर्तन के आधार पर, निम्न एल्गोरिथ्म प्रस्तावित है।

1. सभी इनपुट वैक्टर को आकार के अनुसार क्रमबद्ध करें $$$H_ {i} \ cdot B_ {i}$
2. सॉर्ट किए गए सरणी में एक इनपुट वेक्टर से दूसरे में जाने पर, मात्रा की एकरूपता में परिवर्तन देखें $$$H_ {i} \ cdot B_ {i}$इसी आउटपुट वैक्टर।
3. मोनोटोनिक इनपुट वैक्टर $$$H_ {i} \ cdot B_ {i}$एक ही वर्ग के लिए चुने गए थ्रेशोल्ड पी से बड़ा नहीं, इसी आउटपुट वैक्टर को असाइन करें।
4. थ्रेशोल्ड पी को वांछित संख्या में समूहों को विभाजित करने के लिए विविध किया जा सकता है।

अनुकूली फिल्टर

छवि रूपांतरण के कार्यान्वयन के लिए, तंत्रिका नेटवर्क का उपयोग करना संभव है। तंत्रिका नेटवर्क का मुख्य लाभ उनकी स्वचालित सीखने की क्षमता है। इस मामले में, यह एक न्यूरल नेटवर्क पर आधारित एक अनुकूली फिल्टर [शोविन 2018] को प्रशिक्षित करने का प्रस्ताव है जिसमें छवियों की एक जोड़ी का उपयोग किया जाता है जिसमें मूल छवि एक नमूना है, और किसी भी मौजूदा फ़िल्टर या परिवर्तन द्वारा नमूने से दूसरा बदल दिया जाता है। अनुकूली फ़िल्टर को इस रूपांतरण को पुनर्स्थापित करने की आवश्यकता है। इसके लिए, डाई और 3 रंग चैनलों द्वारा आकार dx की एक विंडो का उपयोग किया जाता है। नतीजतन, तंत्रिका नेटवर्क में इनपुट न्यूरॉन्स के लिए dx • dy • 3 इनपुट सिग्नल का उपयोग किया जाता है। नेटवर्क को फिल्टर रूपांतरण के रंग कारकों से जुड़े न्यूरॉन्स की संख्या की छिपी परतों द्वारा पूरक किया जा सकता है। यह एक न्यूरॉन के उत्पादन में 3 न्यूरॉन्स का उपयोग करने का प्रस्ताव है, जिसके आउटपुट सिग्नल को आउटपुट छवि से खिड़की के केंद्रीय पिक्सेल में तीन रंगों ( आरजीबी - लाल, हरा, नीला) में मैप किया जाता है। पिक्सेल के रंग चैनल का संकेत रैखिक रूप से मूल्यों की एक सीमा में परिवर्तित होता है [- 0.5 ; 0.5 ] है। जबकि मूल्यों के अंतराल के साथ एक एंटीसिमेट्रिक सिग्मॉइड फ़ंक्शन [- 1 ; १ ]। छवियों की सीमा पिक्सेल के लिए, जब खिड़की छवियों की सीमाओं से परे जाती है, तो ऐसे पिक्सेल के अनुरूप नेटवर्क न्यूरॉन्स के इनपुट मान 0 पर सेट होते हैं। एक तंत्रिका नेटवर्क को आउटपुट छवि के सभी पिक्सल के लिए खिड़कियों पर त्रुटि के प्रसार के तरीके से प्रशिक्षित किया जाता है।

क्लस्टर मेमोरी

छवि के मूल स्वर पाए जाने के बाद, खिड़की की चौड़ाई और 1 पिक्सेल की ऊंचाई के साथ प्रत्येक टोन के पिक्सल के लिए एक अनुकूली फिल्टर का निर्माण किया जाता है। प्रत्येक क्लस्टर के लिए अलग से फिल्टर का प्रशिक्षण दिया जाता है। इस प्रकार, अनुकूली फिल्टर तंत्रिका नेटवर्क का उपयोग करके, क्लस्टर (टोन) के भीतर पिक्सेल रंगों का सन्निकटन किया जाता है।

संख्यात्मक प्रयोग

क्लस्टर मेमोरी को एक रंग पैलेट को बदलने के लिए एक उदाहरण के रूप में अनुकूली फिल्टर का उपयोग करके प्रशिक्षित किया गया था।


अंजीर। 1. मूल और संशोधित पैलेट।

एक अनुकूली फिल्टर को अन्य रंगों को बदले बिना त्वचा के रंगों को सफेद करने के लिए सीखने की आवश्यकता होती है।

मूल पैलेट में क्लस्टर मेमोरी (ग्रेडिएंट मैप के अनुसार 9 क्लस्टर-टोन और क्लस्टर) के साथ एक अनुकूली फिल्टर लगाने के परिणामस्वरूप, निम्नलिखित चित्र प्राप्त किए गए थे:


अंजीर। 2. मूल स्वर और ढाल के नक्शे के लिए परिवर्तित पैलेट।

निष्कर्ष

तंत्रिका नेटवर्क के एक परिवार का उपयोग करते हुए और स्रोत डेटा के क्लस्टर विश्लेषण का संचालन करने के साथ क्लस्टर मेमोरी के आधार पर जटिल कार्यों को सीखने के लिए एक दृष्टिकोण प्रस्तावित है। एक उदाहरण के रूप में अनुकूली फिल्टर का उपयोग करके पैलेट रंगों के चयनात्मक रूपांतरण की संभावना को दिखाया गया है। सन्निकटन के साथ क्लस्टर मेमोरी का उपयोग प्रासंगिक है जब स्रोत डेटा के संकेतकों में परिवर्तन के समान दिशाओं में परस्पर विरोधी रुझान प्रशिक्षण डेटा सेट में पता लगाया जाता है। विशेष रूप से, तार्किक फ़ंक्शन सीखने के लिए XOR समस्या को हल करना संभव है।

संदर्भ

1. शोविन वी.ए. एक तंत्रिका नेटवर्क के आधार पर अनुकूली छवि फ़िल्टर। // गणितीय और कंप्यूटर मॉडलिंग: VI अंतर्राष्ट्रीय वैज्ञानिक सम्मेलन की सामग्री का एक संग्रह। 2018 ।-- 198 पी।