Ильичев В.Ю.,
к.т.н., Калужский филиал ФГОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» patrol8@yandex.ru

Каширин Д.С.,
Калужский филиал ФГОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» patrol8@yandex.ru

Создание комплекса программ
для оптимизации качества обучения перцептрона и постановки диагноза COVID-19 на основе данных по Рамановской спектроскопии

Описывается разработанная авторами методика оптимизации топологии и качества обучения нейросетевой модели в виде перцептрона, а также алгоритмы программ, предназначенных для реализации данной методики. Процесс применения созданных программных продуктов демонстрируется на примере обработки базы данных по диагностике заболеваемости COVID-19 с помощью Рамановской спектроскопии.

Введение

В настоящее время широкое применение нашли искусственные нейронные сети (ИНС), в упрощённом виде имитирующие строение мозга [1], состоящего из нейронов, получающих сигналы от нервных клеток органов чувств – рецепторов, посредством их передачи через связи – синапсы [2]. Также ИНС используют принципы из теории построения сетевых структур. Нейронные сети лучше всего подходят для создания моделей, применяющихся для классификации объектов или явлений (для выявления их попадания в ту или иную группу).

Перцептрон (от лат. perceptio – восприятие) является базовой моделью искусственной нейронной сети, широко применяемой для целей классификации [3]. Он имитирует организацию нейронов и связей между ними, когда у каждого нейрона есть входы, принимающие сигналы извне, которые он преобразует и передает другим нейронам.

<...>

Ключевые слова: искусственная нейронная сеть, перцептрон, сеть прямого распространения, язык Python, модуль Keras, Рамановская спектроскопия

Полную версию статьи читайте в журнале
Подпишитесь на журнал
Купите в Интернет-магазине

Комментарии могут оставлять только зарегистрированные пользователи