Дорогов Александр Юрьевич

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ», ПАО «Информационные телекоммуникационные технологии»

В статье предложен новый метод обучения частных классификаторов, а также способ агрегации их прогнозов в составе комитета. Обучение основано на гипотезе итерационного повторного входа биологических нейронных сетей и использует для своей реализации метод главных компонент. Для частных классификаторов задаются области компетенций, в совокупности покрывающих обучающее множество примеров. Показано, что процесс итерационного обучения за несколько шагов сходится, обеспечивая точность распознавания 100% в области компетенции частного классификатора. Агрегация прогнозов реализуется по принципу максимальной проекции образа на собственные подпространства классов частных классификаторов. Приведены примеры использования комитета компетентных классификаторов для набора данных MNIST. Предложена модель непрерывного обучения комитета классификаторов, пригодная для построения самообучающихся систем распознавания. Рассмотрена нейросетевая реализация классификаторов в классе самоподобных нейронных сетей.

частный классификатор, комитет классификаторов, коллективное распознавание, область компетенции, повторный вход, непрерывное обучение, самоподобная нейронная сеть