1. В данной статье разработан нейроаналитический алгоритм по распознаванию образов, который в случае отсутствия шумов осуществляет классификацию образов идеально, что является явным преимуществом его перед алгоритмом Хопфилда [3], и существенно улучшает алгоритм, предложенный в работе [8].
2. Зашумленные входные сигналы классифицируются существующими нейросетевыми алгоритмами неудовлетворительно [5, 6]; эксперименты же с незначительными шумами в 0,2 пиксела подтверждают незначительное повышение точности лишь на 4%, и, кроме того, они не существенны, так как базируются на пренебрегаемо малых ошибках сигналов.
3. В связи с отмеченным возникает необходимость разработки алгоритмов классификации образов, максимально устойчивых как к незначительным, так и к значительным шумам, т. е. робастных алгоритмов.
Литература
1. Гамбарова, Е. М. Практические аспекты обучения нейронных классификаторов для распознавания объектов по космическим снимкам высокого разрешения / Е. М. Гамбарова // Искусственный интелект. — 2007. — № 4. — С. 574−579.
2. Гамбарова, Е. М. Применение нейронных сетей для распознания пространственных данных на космических снимках IKONOS / Гамбарова Е. М. // Инф. и космос. — 2007. — № 4. — С. 83−91.
3. Каллан, Р. Основные концепции нейронных сетей / Р. Каллан. — М.: Издательский дом «Вильямс», 2001. — 288 с.
4. Назаров, А. С. Фотограмметрия: учебное пособие для студентов вузов / А. С. Назаров. — Минск.: Тетро Системс, 2006. — 368 с.
5. Медведев, В. С. Нейронные сети. MATLAB 6 / В. С. Медведев, В. Г. Потемкин; под общ. ред. В. Г. Потемкина. — М.:ДИАЛОГ-МИФИ, 2002. — 496 c.
6. Осовский, С. Нейронные сети для обработки информации / С. Оссовский; пер. с польского И. Д. Рудинского. — М.:Финансы и статистика, 2002. — 344 с.
7. Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд. испр. / Хайкин, Саймон; пер. с англ. — М.: ООО «И.Д. Вильямс», 2006. — 1104 с.
8. Ярмоленко, А. С. Применение теории нейронных сетей в геоинформатике / А. С. Ярмоленко // Изв. вузов. Геодезия и аэрофотосъемка. — 2008. — № 2. — С. 33−44.
