ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. ISSN 1684-1719. 2023. №2
Оглавление выпускаТекст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2023.2.7
ИСПОЛЬЗОВАНИЕ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫХ
НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСШИРЕНИЯ ОБУЧАЮЩИХ
(ТЕСТОВЫХ) ВЫБОРОК
М.Л. Белокопытов
Военно-космическая академия имени А.Ф. Можайского
197198, Санкт-Петербург, ул. Ждановская, 13
Статья поступила в редакцию 21 декабря 2022 г.
Аннотация. Статья посвящена вопросам формирования исходного набора данных для обучения нейронных сетей. Представлены основные способы формирования и расширения обучающих (тестовых) выборок, в частности с помощью аугментации, методов математического моделирования, а также генеративно-состязательных нейронных сетей. Рассмотрен принцип работы GAN-сетей, описан алгоритм работы генератора и дискриминатора по методу минимаксной игры, методу Вассерштейна и методу «штрафных градиентов». Произведено цифровое моделирование GAN-сети по минимаксной модели, обученной на наборе данных MNIST. Сделаны выводы относительно возможности применения разработанной генеративно-состязательной нейронной сети с целью расширения банка обучающих (тестовых) выборок.
Ключевые слова: нейронные сети, распознавание, генеративное моделирование, обучающая выборка, тестовая выборка.
Автор для переписки: Белокопытов Марк Львович, hommer1990@mail.ru
Литература
1. Малыхина Г.Ф., Меркушева А.В. Элементы статистической концепции обучения нейронной сети и прогнозирование ее функционирования. Научное приборостроение. 2005. Т.15. №1. С.29-45.
2. Белокопытов М.Л., Шленских Д.А., Морозов С.В., Сирота С.В. Мониторинг объектов морского судоходства по аэрокосмическим данным дистанционного зондирования в СВЧ диапазоне с применением нейросетевых технологий. Журнал радиоэлектроники [электронный журнал]. 2022. №4. https://doi.org/10.30898/1684-1719.2022.4.2
3. Окунев С.В. Рассмотрение способов формирования наборов данных для обучения нейронных сетей. Вестник науки и образования. 2020. Т.3 №2. С.16-19.
4. Ананьин Э.В., Андрющенко М.С. Методы исследований радиолокационной сигнатуры при разработке малозаметных образцов военной техники. Вопросы оборонной техники. Серия 16: технические средства противодействия терроризму. 2015. №87-88. С.102-108.
5. Тертышник В.В., Зиновьев В.В. Методика расчета радиолокационных портретов аэродинамических объектов. Международная научно-техническая конференция, посвященная 15-летию кафедры радиотехники. Саратов. 2004. С.11-24.
6. Филиппских Е.Э., Попов А.В., Галкин Ф.А. Модельно-ориентированная методика расчета радиолокационных портретов (сигнатур) металлических объектов. Журнал радиоэлектроники [электронный журнал]. 2022. №3. https://doi.org/10.30898/1684-1719.2022.3.5
7. Гарсия Глория Буэно. Обработка изображений с помощью OpenCV. Москва, ДМК Пресс. 2015. 387 c.
8. Jonathan Hui. GAN – Wasserstein GAN [web]. Medium. Дата обращения: 11.11.2022. URL: https://jonathan-hui.medium.com/gan-wasserstein-gan-wgan-gp-6a1a2aa1b490
9. Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, Aaron Courville. Improved Training of Wasserstein GANs [web]. NIPS 2017. Дата обращения: 21.11.2022. URL: https://proceedings.neurips.cc/paper/2017/file/892c3b1c6dccd52936e27cbd0ff683d6-Paper.pdf
Для цитирования:
Белокопытов М.Л. Использование генеративно-состязательных нейронных сетей для расширения обучающих (тестовых) выборок. Журнал радиоэлектроники [электронный журнал]. 2023. №2. https://doi.org/10.30898/1684-1719.2023.2.7