用于形成用于图像分类的卷积神经网络的有效合奏的算法的研究和开发

DOI:

EDN:

评审日期

出版日期

注解: 研究的对象是具有卷积架构的用于图像分类的人工神经网络（ann）。 本研究的主题是在有限训练样本条件下构建卷积神经网络集合的算法的研究和开发。 该研究的目的是开发一种基于卷积SNS集合的有效模型的算法，使用平均每个模型的结果的方法，能够避免在提高预测准确性的过程中过度拟合，并在少于10000个例子的少量数据上进行训练。 作为一个基本的网络，一个有效的SNA体系结构被开发作为整体的一部分，表现出良好的结果作为一个单一的模型。 本文还研究了组合整体模型结果的方法，并为SNA体系结构的形成提供了建议。 所采用的研究方法有神经网络理论、机器学习理论、人工智能理论、机器学习模型的算法化和编程方法、基于不同算法的模型的比较分析，采用经典集合和简单平均，并在有限采样条件下结合基本算法的结果，同时考虑加权平均平均。 获得的算法和模型的应用领域是医疗机构的医疗诊断，初级诊断入院期间的疗养院，使用研究任务的示例，训练模型以根据输入照片对皮肤病进行分类。 研究的新颖之处在于开发了一种有效的算法和图像分类模型，该模型基于超过基本分类器预测精度的卷积NS集合，研究了在小样本体积上重新训练具有深层结构的分类器集合的过程，从中得出了最佳网络体系结构的设计和组合几个基本分类器结果的方法的选择。 作为研究的结果，已经开发了一种算法，用于在有限采样条件下形成基于有效基本架构和每个模型结果的加权平均的SNS集合，用于图像识别的分类任务。

出版日期: