Промышленные АСУ и контроллеры Аннотация к статье << Назад Разработка гибридной нейронной сети с локальными нейронными блоками для задач совместной фильтрации Е.Б. Козак В статье представлены результаты исследования и анализа экспертной информации на основе компьютерных методов обработки информации для распознавания графических объектов в различных условиях с использованием глубоких нейронных сетей. В этой работе предложен гибридный метод на основе глобальной многослойной глубокой нейронной сети с локальными блоками в виде нейронных сетей. Была проанализирована работа двух нейронных структур – ResNet50 и VGG19. В данном исследовании представлены результаты анализа работы моделей глубоких нейронных сетей для выполнения теоретико-информационного анализа и фильтрации массивов графической информации. Проведены эксперименты по проверке работоспособности и эффективности разработанной нейронной сети. Кроме того, целью работы было использование глубоких нейронных сетей для классификации изображений. Составлена обучающая база данных нейронной сети при участии 10 000 человек. Для работы использовали фотографии собак и кошек, что значительно упрощает анализ работы систем за счет простоты интерпретации фотографий человеком. Исследовано влияние появления нетипичного входного сигнала (фотографии) на выходной сигнал нейросетевого механизма классификации. Кроме того, неправильно классифицированные фотографии были проанализированы и сопоставлены с человеческими интерпретациями. Для оценки систем использовались такие статистические показатели, как точность, чувствительность, специфичность и кривые ROC. Также была измерена точность всех нейронных сетей. Наибольшая точность была достигнута при использовании нейронных сетей ResNet50 и VGG19. Получены очень высокие результаты классификации: AUC ROC ≥ 0.8, точность нейронных сетей достигала 90 %. Причем наиболее точными были результаты с расширением данных. Ключевые слова: системный анализ: искусственные нейронные сети; гибридные нейронные сети; нечеткая логика; распознавание изображений. DOI: 10.25791/asu.9.2021.1309 Стр. 19-29.