ӘОҚ 004.3

АДАМНЫҢ БЕТ БЕЙНЕСІН ТАНУ ЖҮЙЕСІНДЕГІ НЕЙРОНДЫҚ ЖЕЛІНІҢ АТҚАРАТЫН ҚЫЗМЕТІ

Г.Ж.ЖЕТІМЕКОВА, А.СЫЗДЫҚОВА

Рассмотрен сравнительный анализ методов обработки и распознавания изображений применительно к системам технического зрения. Предложена классификация методов. Проанализированы их достоинства, недостатки и предпочтительные области применения. Особо выделяются нерешенные задачи. Более тщательно рассмотрены задачи нормализации образов в условиях аффинных и проективных преобразований, соответствующих условиям работы органа зрения человека.

The comparative analysis of the methods of image processing and image recognition applied to the systems of robot vision is considered. The classification of the methods is suggested. Their dignities, shortcomings and the prefered filds of application are analized. The unsolved tasks are marked out in particular. The problems of image normalization in the conditions on affinity and projective transformation, wich accords to the conditions of human’s vision are considered more properly.

Соңғы онжылдықта математиканың жаңа қолданбалы аймағы жасанды нейрондық жүйе ретінде дамып келе жатыр. Зерттеудің көкейкестілігі әртүрлі нейрондық жүйелердің қолданданылуын бағытын көрсетеді. Ол бейнені танудың процесін автоматтандыру, адаптивтік басқару, болжау, эксперттік жүйелерді құру және тағы басқалар.

XIX-XX ғасырлар арасындадағы жаратылыс тануда болған революция биология мәселелерін тіршіліктің мәнін қозғамай, көбінесе физика саласымен ғана шектелген болса, енді қазіргі революция тірі материя мәселелерін зерттеу саласына да таралады, ал биологияның өзі ғылымдардың жетекші тобына айналды, тұқым қулалаудың материалдық себепшілері сияқты биополимерді зерттеу, бактериофакты трансдукциялау дейтін, химиялық және жанды компоненттерді пайдалана отырып вирус бөлшектерін жасанды синтез жасау арқылы жүзеге асыру негізінде биология ғылыми-техникалық революцияның құрамды бөлігі болып табылады.

Жасанды нейрондық желі негізінде интеллектуальды жүйелер, бейнелерді тануды, бақылаудың орындалуын, тиімдікті, ассоциативті жады және басқарудың мәселелерін орындап келе жатыр. [1]

Жасанды нейрондық желінің құрылымы төменде көрсетілген:

Сурет 1. Жасанды нейрондық жүйенің құрылым

Бейнені тану үшін екі алгортимге бөліп қарастырамыз. Олар: объективті жіктелу, тізбекті жіктеу алгоритмі. Объектілерді жіктеу кезінде бір белгі бойынша іске асуы керек. Бейнелерді объективті жіктеу ол объектілерді топтар бойынша жіктеу, демек олардың ұқсастығын табу болып табылады.

Адамның бет бейнесін тану жүйесінің негізгі сипаттамасы болып бейненің кейбір кластарға жататындығын тексеру болып табылады. Осы тапсырманы шешу үшін бөлінетін функцияларды қолдану болады. [2]

Адамның бет бейнесін тану үшін негізгі талдау компоненті болып

q оқылып жатқан циклдың саны;

q жасырын нейрон саны;

q бейненің мүмкіндігі: бастапқы өлшем, соңғы өлшем;

q тестілік және тәжірибелік бөлікке бөлу табылады.

Кез-келген бейнемен жұмыс жасау үшін міндетті түрде бейненің бастапқы өлшемі алынады. Рециркуляциялық нейрондық желі дегеніміз – бірнеше мәліметтер жиынтығының ішінен бір бейннеі алып, оны сығудың жүретін процесін айтамыз.

Рециркуляциялық нейрондық желі үшін адаптивтік қадам қолданылады. Адаптивтік қадамды қолдану ол жілінің шешіміне тез жету және қателдікті барынша болдырмау үшін қолданылады. Оның жұмыс жасау алгоритмі төмендегідей болады:

Нейрондық желінің шығуы мына формуламен есептеледі:

мұндағы k – 0-ден L-ға дейінгі өсетін ағымдағы қабық,

P - (k-1) алдындағы қабықтың нейронының саны,

I – ағымдағы қабықтағы нейронның индексі,

J – алдындағы қабықтағы нейронның индексі,

x_i – кіру бейнесінің пикселі,

y_ki – k қабығының шығу мәні,

w_ij – j_k-1 және j_k нейронын байланыстыратын салмақ.

Активациялық функция ретінде гиперболалық тангенсті қолдануға болады. Оның диапазоны [-1; 1] арасында болады. Осы бейненің орташа мәні және пиксельдің мәні [-0.01; +0.01] аралығында бейне мүмкіншілікті үлкею арқылы кірішейеді.

Әр нейронды өзіндік процессор деп есептеуге болады. Ол сигналдық сәйкес салмағын есептейді, басқа да өтіп бара жатқан нейрондардан сызықтың шешуші функциясын анықтайды. Қарапайым үлгілерде шығатын (шығушы) сигнал екілік мәнді; 0 және 1-ді қабылдайды. 1 мәні нейронды тудыратын көтеретін мән болып табылады, ал 0 – төменгі деңгейдегі тудыру мәні болып табылады. Нейрондық үлгінің біріншісін Маккаллок-Питс шығарды. Осындағы нейрон бинарлы элемент болып табылады. Ол модельдің кестесі төменде келтірілген.

1. Кіріс сигналдар x_j (j=1,2,…n) сәйкес wij салмағымен есептеліп, қосылады.

2. Сумматорда соңғы W_io мәнімен салыстырылады. Шығатын нейрон сигналы y_i төмендегі тәуелділікпен есептеледі.

Функцияның аргументі болып келесі қосынды сигнал алынады.

Мұндағы f(u_i) функцияның белсенділігі деп аталады. Маккаллок-Питс улгісінде табалдырықты функцияның түрі төмендегіде болады:

w_ij коэффиценттері синаптикалық байланыс салмағын көрсетеді. w_ij мәні оң болса, ол тудырушы (қоздырушы) синапс болады, ал w_ij мәні теріс болса онда кедергілі синапс болады. Егер w_ij = 0 болса, онда I мен j нейрондары арасында байланыс жоқ деп есептеледі. Маккаллок-Питс моделі дискретті модель болады. Нейрон (t+1) мәнге ие болады, алдыңғы уақытта t-ға ие болады. Бірнеше жылдан кейін Д.Хебб зерттеуі нәтижесінде ассоциативті жадыны зерттеу нәтижесінде нейронды оқыту теориясын ұсынды. Нейрондар арасындағы байланыс нейрондардың белсенділігі кезінде үлкеюі тиіс. Хеббтің үлгісі төмендегі принцп бойынша жұмыс жасайды:

мұндағы k - цикл нөмірі

η – оқыту коэффициенті

Оқыту кезінде y_i және y_j нейрондарындағы шығатын сигналдар салыстырмалы түрде көрсетіледі. Есептеуіш жүйелерінің қарқынды дамуына байланысты жаңа технологиялық есептерге шешім бола алатын бейнені тану, қабылдау және түсіндіру, күрделі жүйелерді басқару, дыбасты өңдеу сияқты жұмыстар жасалуда. Қазіргі уақытта жасанды нейрондық желі жоғары дамыған білімнің бір бөлігі болып табылады.

Нейрондық желінің қолданбалы мүмкіншілігі

Кез-келген нейрондық желі өзіндік жеке жүйе ретінде қолданылады. Осы жүйенің бір компоненті ретінде сапасында басқа элементтерге берілетін нәтижелі сигнал жасанды нейрондық желімен байланысы жоқ. Желінің орындайтын функциясын бірнеше негізгі топтарға бөліге болады: аппроксимация және интерполяция, тану және бейнені жіктеу, мәліметті сығу, болжау, идентификация, басқару, ассоциация.

Аталғандардың ішінде нейрондық желі бірнеше үлкен айнымалылардыңғ функция аппроксиматорында үлкен роль атқарады. Ол сызық емес функция арқылы іске асады:

мұндағы x – кіру векторы;

y – бірнеше айнымалылар векторының функциясын тарату.

Бейнені тану және жіктеу үшін желінің негізгі белгісі болып, бейненің нүктелік құрылымының геометриялық кескінделуі арқылы басты элементтің орналасуы, Фурье түрлендіру компоненттері және тағы басқа факторлар табылады. Оқыту үрдісі кезінде сәйкес келетін кластың шешімін қабыладу үшін базаны құратын бір-бірінен айырмашылығы бар белгілер ерекшеленеді.

Желіні құрастыру кезінде элементтер ішінен кез-келген архитектурада желі құрастыруға болады. Бірақ, өзіндік желіні құру кезінде ерекше белгіленетін жалпы ерекшеліктерді бақылап алу керек болады. Себебі желілер бір-біренен айырмашылығына байланысты ажыратылған болуы тиіс. Демек, бұл қарапайым қосушының адаптивтілікке ауысуы болып табылады. Бірақ, желіге кіру циклі желінің құрылымынна қатты әсер етеді. Сондықтан, барлық желіні екі үлкен айырмашылықты классқа бөлуге болады: ациклдік желі және циклмен жүретін желі. Цикл ортасында тағы да бір бөлу бар, ол желінің қызмет етуіне қатты әсер етеді: циклмен әртүрлі салмақтағы желі және циклмен шектелген желі.

Барлық қолданылатын желілер желінің ішкі параметрінің шығатын дыбысқа қалай әсер ететіндігін анықтай алмайды. 2-суретте желі мысалы келтірілген. Ондағы α параметрінің үлкеюі : дыбысына бірмәнділік әрекет етуге әкеледі. Ал оң сандар үшін  – үлкейеді.

Сурет 2. Монотонды емес желі фрагменті

Осындай желінің шығатын дыбысы монотонды емес желі α параметіріне тәуелді болады. [3]

Сурет 3. Монотонды желінің жалпы кестесі.

Жоғары қатар – қозғаушы нейрон бөлігі, төменгі қатар – тежеуіш. Т әріпімен – тежеуіш байланыс, ал В әріпімен қозғаушы байланыс белгіленген

Монтонды тәуелділікті алу үшін ішкі қабық параметрін нейрондық желі архитектурасында шығатын дыбыс тәуелділігін қолдану керек. Монотонды желі архитектурасының қағидалы кестесі төменде көрсетілген:

Сурет 4. Паде элементті монотонды емес желі

Монотонды желіні құрудың негізі идеясы желінің әр қабығын екіге бөлуде жатыр. Ол бөлулер – қозғаушы және тежеуіш. Осыған байланысты желідегі барлық элементтер қозғаушы қабықтағы элементтер келесі қабықтың элементін қозғау үшін, ал келесі қабық элементін тежеу үшін қолданылады. Соған байланысты тежеуіш элементтерді қозғаушы элементтер іске асырады және қозғаушы элементтер келесі қабық элементтерін тежеуге ұшыратады. [4] «Тежеуіш» және «қозғаушы» атаулары шығатын элементтердің барлық бөлігіне қатысы бар.

Ескерте кететін жәйт сигмодиальды элементтер эелісі үшін монотондылық талап барлық байланыс үшін салмақ теріс емес болуы керек. Паде элементі бар эелі үшін монотондылық талабы желінің архитектурасын өзгертуге әкеледі. Ол үшін ешқандай желінің жаңа параметрлеріне шектеуді жасаудың қажеттігі жоқ. 3-суретте монотонды емес желінің мысалы көрсетілген, ал 4-суретте Паде элементі бар монотонды желі мысалы көрсетілген.

Ассоциация есебінде нейрондық желі сақтау құрылғысының ассоциативтілігі үлкен роль атқарады. Нейрондық желінің басты қасиеті қолданбалы мүмкіншіліктер әрі барлық нейрондармен бір уақытта параллельдік ақпартты өңдейді. Осы мүмкіншілікке байланысты нейрон арасындағы байланыстар саны ақпаратты өңдеудің үрдісін тездетуге көмектеседі. Бірнеше практикалық қосымшалардың барлығына қарамастан жасанды нейрондық желі сигналдарды өңдеуді қолдануда аяғына дейін шешілмеген мәселе.

Нейрондық желінің көп қабықты желілік түрі ғана емес, жоғарғы дәрежелі нейрондық желі, Хопфилд желісі, өз-өзінен ұйымдасатын Кохонен желісі сияқты бірнеше желілердің типтерін атауға болады. Осы желілердің көмегімен бірнеше бейнені танудың негізін құруға болады. Көп жағдайда бейненің күрделілігіне байланысты бірнеше желілер пайдаланылады.

Нейрожелілік әдістер арқылы адамның бет бейнесін тану жүйесінде танудың жылдамдығы және сенімділігі артады.

ӘДЕБИЕТТЕР ТІЗІМІ:

1. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями - Брест:БПИ, 1999. 160 б.

2. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей - Брест:БПИ, 1999. 128 б.

3. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. 1992. 84 б.

4. Самаль Д.И., Старовойтов В.В. - Подходы и методы распознавания людей по фотопортретам. - Минск, ИТК НАНБ, 1998. 4 б.