开发了一种在数据簇内部具有非线性近似的存储器。 建议使用k-means方法分配群集。 近似应使用一组神经网络进行训练。 使用自适应过滤器测试群集内存以转换图像颜色。 根据计算机实验的结果，这种类型的记忆表现出良好的选择性学习能力。 通过自适应滤镜的示例，可以训练内存以更改图像的整个调色板。
引言感知器神经网络的一个重大缺点是它们概括多集群数据的能力很差。 特别地，不能通过单个感知器解决用于学习逻辑功能的XOR问题，因为可以在数据点的一个方向上跟踪两个冲突的趋势，以增加和减少神经网络的决定性功能。 同一训练数据数组中的这种相互冲突的依存关系不能通过多维感知器形式的单个神经网络来概括。 因此，提出将训练数据的阵列划分为群集，在群集中近似单个神经网络。 在这篇文章中进行了计算机实验，以测试这种类型的内存，以实现用于选择性转换调色板的自适应图像滤镜的任务。
聚类分析：k-均值法k均值方法是最流行的聚类方法之一。 其目的是获得这样的数据中心，该数据中心对应于具有对称径向分布的数据类紧凑性的假设。 对于给定的
k数，确定此类中心位置的一种方法是EM方法。
在该方法中，顺序执行两个过程。
- 每个数据对象的定义 最近的中心 ，并为此对象分配类标签 。 此外，对于所有对象，确定它们属于不同类别。
- 计算所有类别中心的新位置。
从
k个类的中心的初始随机位置迭代地重复这两个过程，可以实现将对象分离为多个类，这些类将尽可能多地与类的径向紧缩性假设相对应。
一种新的作者分类算法将与k-means方法进行比较。
主图像颜色应用于图像像素色彩空间的k均值方法使您可以突出显示基本色调。 为此，建议使用
Java Color.RGBtoHSB平台方法将
RGB像素的颜色转换为
HSB ，并获得色相
H和亮度
B。 建议通过以下公式确定颜色空间中像素之间的距离：
建议群集中心的初始安排如下计算。
- 查找最小值和最大值 对于所有像素。
- 将间隔[ min ， max ]分成k个部分。
- 按值计算每个子间隔中的像素频率 。
- 按像素数降序对子范围进行排序。
- 计算子间隔中的像素中心。
聚类分析：梯度图基于k-均值方法的进行聚类分析的方法具有以下缺点：不受输出图像索引的影响。 为了考虑输出图像的指示符的变化，根据输入图像的指示符的变化，提出以下算法。
- 按大小对所有输入向量进行排序
- 从排序数组中的一个输入向量移动到另一个输入向量时，请查看数量单调性的变化 相应的输出向量。
- 单调输入向量 将不大于所选阈值p的相应输出向量分配给一类。
- 可以改变阈值p以将向量划分成期望数量的簇。
自适应滤波器为了实现图像转换，可以使用神经网络。 神经网络的主要优点是它们的自动学习能力。 在这种情况下，建议基于神经网络训练自适应滤波器[Shovin 2018]，以使用一对图像，其中原始图像是样本，然后通过任何现有的滤波器或变换将第二个图像从样本中更改。 自适应滤波器需要恢复此转换。 为此，使用
了dy大小为
dx和3个颜色通道的窗口。 结果，在神经网络中使用了输入神经元的
dx •
dy •3个输入信号。 该网络可以由与滤镜转换的颜色因子关联的神经元数量的隐藏层来补充。 建议在神经元的输出端使用3个神经元，其输出信号从输出图像映射到窗口中心像素中的三种颜色（
rgb-红色，绿色，蓝色）。 像素的颜色通道的信号被线性转换为[
-0.5 ;
0.5 ]。 而反对称的S型函数的值间隔为[
-1 ;
1 ]。 对于图像的边界像素，当窗口超出图像的边界时，与这些像素相对应的网络神经元的输入值设置为
0 。 通过误差的反向传播方法，在窗口上针对输出图像的所有像素训练神经网络。
集群内存找到图像的基本色调后，为窗口宽度和高度为1个像素的每个色调的像素构建一个自适应滤波器。 分别针对每个群集训练过滤器。 因此，使用自适应滤波器神经网络，对簇（色调）内的像素颜色进行了近似。
数值实验使用自适应滤镜训练群集内存作为变换调色板的示例。
图 1.原始和修改的调色板。自适应滤镜需要学习在不更改其他颜色的情况下有选择地增白肤色。
将带有群集存储器的自适应滤波器（根据梯度图9个群集-音和群集）应用于原始调色板的结果是，获得了以下图像：
图 2.更改了基本色调和渐变贴图的调色板。结论提出了一种方法，该方法用于基于簇存储器的复杂函数学习，并使用神经网络族进行近似，并对源数据进行簇分析。 以自适应滤波器为例，显示了调色板颜色选择性转换的可能性。 当在训练数据集中追踪源数据的指示符在相同变化方向上的冲突趋势时，近似使用群集内存是有意义的。 特别地，可以解决用于学习逻辑功能的XOR问题。
参考文献- 肖文·V·A。 基于神经网络的自适应图像滤波器。 //数学和计算机建模：VI国际科学大会的材料集。 2018年-198羽