Москаленко Ю. В. Методи розпізнавання за діагностичним сигналом на основі гібридних нейронних мереж

Розпізнавання за діагностичним сигналом є загальною проблемою при реалізації систем автоматичного контролю та діагностики. Розповсюдженими задачами є безпосередньо класифікація за характеристичним сигналом, заданим як часовий ряд, та семантична сегментація за діагностичними знімками. З розвитком згорткових нейронних мереж відкрилися нові перспективи розв’язання таких задач швидко, зокрема в реальному часі, та з достатньою точністю. Однак в багатьох випадках розв’язання задачі семантичної сегментації потребує дотримання піксельної точності, що не завжди забезпечується базовими методами розпізнавання на згорткових нейронних мережах. Крім цього, існують такі випадки діагностування, які не можуть бути ефективно розв’язанні на таких мережах. Насамперед, це відбувається при втраті значень характеристичного вектору, виникненні аномалій або початку перехідних процесів в досліджуваному об’єкті. Водночас інший різновид нейронних мереж – карти самоорганізації Кохонена – мають властивості до навчання за невизначеною множиною класів та формування нових кластерів для заздалегідь невідомих класів. Тим самим, мережі Кохонена надають можливість розв'язувати задачі зазначеного типу. Тому в роботі проведено дослідження обох нейромережевих підходів для підвищення ефективності кожного з них окремо та їх інтеграції в гібридну нейронну мережу. Вперше запропоновано: - метод збільшення рецептивного поля нейронів згорткових нейромереж на основі агрегації карт признаків різної розмірності для підвищення точності класифікації сигналів великої розмірності; - метод визначення відповідності нейронів решітки навченої карти самоорганізації Кохонена вхідному вектору з втраченими невизначеними компонентами для підвищення точності класифікації; - модель формування усереднених карт признаків в згорткових нейронних мережах на основі карт самоорганізації Кохонена для підвищення точності розв’язання задач класифікації та семантичної сегментації. Вдосконалено: - метод семантичної сегментації на мережах глибокого навчання за рахунок примусового виділення контурів зображення в декодері мереж: FPN, PSPNet, DeepLab v3, U-Net та за рахунок агрегації різнорозмірних підвиборок карти признаків для підвищення точності розпізнавання. За запропонованими методами реалізовано відповідні нейронні мережі та проведено їх верифікацію щодо існуючих нейронних мереж класичних архітектур. Експериментально доведено ефективність запропонованих методів для розв’язання задач діагностування.