ОСОБЕННОСТИ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВОЙ МОДЕЛИ CNN-LSTM ДЛЯ РАСПОЗНАВАНИЯ РУКОПИСНЫХ ОБРАЗОВ
DOI:
https://doi.org/10.52167/1609-1817-2022-120-1-127-133Ключевые слова:
нейросетевая модель, сверточная нейронная сеть, LSTM-модуль, свертка, параметры нейронной сетиАннотация
Так как в предыдущих исследованиях рекурентная нейронная сеть долгой краткосрочной памяти и сверточная нейронная сеть были определены как наиболее эффективные нейросетевые модели для распознавания биометрических образов рукописного текста. В статье рассматриваются структура сверточной нейронной сети, структура LSTM-модуля для интеграции их возможностей в композитной нейросетевой модели CNN-LSTM. Предлагается в сверточной нейронной сети в качестве сверточного нейронного слоя использовать LSTM-модуль. Для адаптации LSTM-модуля к особенностям распознавания рукописного текста был рассмотрен и проведен анализ его математического аппарата и структурных особенностей. Результаты анализа показали, что LSTM-модуль атомарный объект, поэтому адаптации не требуется. Поэтому определено, что в композитной нейросетевой модели CNN-LSTM при неопределенной длине рукописного текста для распознавания необходимо сначала провести адаптацию структурных параметров, которые перешли от сверточной нейронной сети. Рассматривается математический аппарат серточных нейронных сетей и определяются основные структурные параметры. Кроме того учитывая необходимость минимизировать ошибки распознавания была разработана модель для оптимизации структурных параметров сверточной нейронной сети.
Библиографические ссылки
[1] Нейросетевые модели, методы и средства оценки параметров безопасности интернет-ориентированных информационных систем: монография / А. Корченко, И. Терейковский, Н. Карпинский, С. Тынымбаев. – Киев: НАУ, 2016. – 276 с.
[2] Toliupa, S., Tereikovska, L., Tereikovskyi, I., Doszhanova, A., Alimseitova, Z. (2021) Procedure for Adapting a Neural Network to Eye Iris Recognition // 2020 IEEE International Conference on Problems of Infocommunications Science and Technology, PIC S and T 2020 - Proceedings, р. 167–171, doi 10.1109/PICST51311.2020.94680209468020
[3] Б. Ахметов, Л. Терейковская, И. Терейковский, Ж. Алимсеитова Определение оптимального типа нейросетевой модели для биометрической аутентификации // Сборник трудов IV Международной научно-практической конференции «Интеллектуальные информационные и коммуникационные технологии – средство осуществления третьей индустриальной революции в свете Стратегии «Казахстан-2050»» посвященной 70-летию профессора М. Бейсенби. – Астана, 2017. - с. 155-157.
[4] Ахметов Б.Б., Корченко А.Г., Терейковский И.А., Алибиева Ж.М., Бапиев И.М. (2017) Параметры оценки эффективности нейросетевых средств распознавания кибератак на сетевые ресурсы информационных систем // Вестник Национальной Академии Наук Республики Казахстан. – 2017. - №2. - С. 19-27
[5] Нейромережеві моделі розпізнования фонем в голосовому сигналі в системі дистанційного навчання: монография / В.М. Міхайленко, Л.О. Терейковська, І.А. Терейковський, Б.Б. Ахметов. – Киев: «Компринтр», 2017. – 252 с.
[6] Алимсеитова Ж.К. Разработка интеллектуальной автоматизированной системы распознавания биометрических образов: специальность 05.13.16 «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях»: дис. на соискание кандидата техн. наук / Алимсеитова Жулдыз Кенесхановна; Кыргызский государственный технический университет имени И. Раззакова. – Бишкек, 2019. – 164с.
[7] И. А. Терейковский, Л. А. Терейковская, А. О. Корченко, Ж. М. Алибиева Нейросетевое распознавание рукописных символов в системе биометрической аутентификации // Інформаційні технології в економіці і природокористуванні. – 2017. - № 2. - С. 29-42.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Жулдыз Алимсеитова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
