Fast classification in online and nearline modes in conditions of overlapping classes
Uloženo v:
| Název: | Fast classification in online and nearline modes in conditions of overlapping classes |
|---|---|
| Zdroj: | Management Information System and Devises; No. 182 (2024): "Management Information System and Devices"; 93-100 АСУ и приборы автоматики; № 182 (2024): "АСУ та прилади автоматики"; 93-100 АСУ та прилади автоматики; № 182 (2024): "АСУ та прилади автоматики"; 93-100 |
| Informace o vydavateli: | Харківський національний університет радіоелектроніки, 2024. |
| Rok vydání: | 2024 |
| Témata: | online mode, neural network, fast classification, адаптивне навчання, nearline mode, adaptive learning, нейро-фаззі система, швидка класифікація, класи, що перетинаються, нейронна мережа, neuro-fuzzy system, online-режим, overlapping classes, nearline-режим |
| Popis: | The subject of the research is the process of fast classification under overlapping classes conditions. The aim is to develop an approach to fast classification that combines online and nearline modes to improve classification accuracy in overlapping classes conditions. Objectives: development of a multilayer neural network with kernel bell-shaped activation functions for online mode operation; development of an adaptive neuro-fuzzy system for nearline mode operation. The scientific novelty of the obtained results is as follows. For the first time, an approach to fast classification is proposed that combines online and nearline modes to solve problems of refining boundaries between classes, adapting to changes in input data distribution, eliminating class imbalance, and removing noise points. A multilayer neural network with kernel bell-shaped activation functions is proposed for solving the classification problem under overlapping classes conditions in online mode. The network uses a recurrent learning algorithm, which allows avoiding the backpropagation procedure and the «vanishing gradient» effect. In practical terms, the network provides system adaptation to complex boundaries between classes and creates conditions for adapting to changes in input data distribution. An adaptive neuro-fuzzy system for classifying data in matrix form has been developed, which uses hybrid combined learning. Learning is implemented in sequential online or nearline mode as new data arrives. Experimental verification of the proposed approach showed the possibility of maintaining classification accuracy under overlapping classes conditions and changes in input data distribution. Предметом дослідження є процес швидкої класифікації в умовах класів, що перетинаються. Метою є розробка підходу до швидкої класифікації, який поєднує online- та nearline-режими для підвищення точності класифікації в умовах класів, що перетинаються. Задачі: розробка багатошарової нейронної мережі з ядерними дзвонуватими функціями активації для роботи в online-режимі; розробка адаптивної нейро-фаззі системи для роботи в nearline-режимі. Наукова новизна отриманих результатів полягає в такому. Вперше запропоновано підхід до швидкої класифікації, який поєднує online- та nearline-режими для вирішення задач уточнення границь між класами, адаптації до змін у розподілі вхідних даних, усунення дисбалансу класів та видалення шумових точок. Запропоновану багатошарову нейронну мережу з ядерними дзвонуватими функціями активації для вирішення задачі класифікації в умовах класів, що перетинаються, у online-режимі. Мережа використовує рекурентний алгоритм навчання, що дає можливість відмовитись від процедури зворотного поширення помилок та уникнути ефекту «зникаючого градієнта». У практичному плані мережа забезпечує адаптацію системи до складних границь між класами та створює умови для адаптації до змін у розподілі вхідних даних. Розроблено адаптивну нейро-фаззі систему для класифікації даних у матричній формі, яка використовує гібридне комбіноване навчання. Навчання реалізовано в послідовному online- або nearline-режимі при надходженні нових даних. Експериментальна перевірка запропонованого підходу показала можливість збереження точності класифікації в умовах класів, що перетинаються, та змін у розподілі вхідних даних. |
| Druh dokumentu: | Article |
| Popis souboru: | application/pdf |
| Jazyk: | Ukrainian |
| ISSN: | 0135-1710 |
| Přístupová URL adresa: | https://asu-pa.nure.ua/article/view/317949 |
| Přístupové číslo: | edsair.scientific.p..7afd546a6b3516783342785d670479a9 |
| Databáze: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | The subject of the research is the process of fast classification under overlapping classes conditions. The aim is to develop an approach to fast classification that combines online and nearline modes to improve classification accuracy in overlapping classes conditions. Objectives: development of a multilayer neural network with kernel bell-shaped activation functions for online mode operation; development of an adaptive neuro-fuzzy system for nearline mode operation. The scientific novelty of the obtained results is as follows. For the first time, an approach to fast classification is proposed that combines online and nearline modes to solve problems of refining boundaries between classes, adapting to changes in input data distribution, eliminating class imbalance, and removing noise points. A multilayer neural network with kernel bell-shaped activation functions is proposed for solving the classification problem under overlapping classes conditions in online mode. The network uses a recurrent learning algorithm, which allows avoiding the backpropagation procedure and the «vanishing gradient» effect. In practical terms, the network provides system adaptation to complex boundaries between classes and creates conditions for adapting to changes in input data distribution. An adaptive neuro-fuzzy system for classifying data in matrix form has been developed, which uses hybrid combined learning. Learning is implemented in sequential online or nearline mode as new data arrives. Experimental verification of the proposed approach showed the possibility of maintaining classification accuracy under overlapping classes conditions and changes in input data distribution.<br />Предметом дослідження є процес швидкої класифікації в умовах класів, що перетинаються. Метою є розробка підходу до швидкої класифікації, який поєднує online- та nearline-режими для підвищення точності класифікації в умовах класів, що перетинаються. Задачі: розробка багатошарової нейронної мережі з ядерними дзвонуватими функціями активації для роботи в online-режимі; розробка адаптивної нейро-фаззі системи для роботи в nearline-режимі. Наукова новизна отриманих результатів полягає в такому. Вперше запропоновано підхід до швидкої класифікації, який поєднує online- та nearline-режими для вирішення задач уточнення границь між класами, адаптації до змін у розподілі вхідних даних, усунення дисбалансу класів та видалення шумових точок. Запропоновану багатошарову нейронну мережу з ядерними дзвонуватими функціями активації для вирішення задачі класифікації в умовах класів, що перетинаються, у online-режимі. Мережа використовує рекурентний алгоритм навчання, що дає можливість відмовитись від процедури зворотного поширення помилок та уникнути ефекту «зникаючого градієнта». У практичному плані мережа забезпечує адаптацію системи до складних границь між класами та створює умови для адаптації до змін у розподілі вхідних даних. Розроблено адаптивну нейро-фаззі систему для класифікації даних у матричній формі, яка використовує гібридне комбіноване навчання. Навчання реалізовано в послідовному online- або nearline-режимі при надходженні нових даних. Експериментальна перевірка запропонованого підходу показала можливість збереження точності класифікації в умовах класів, що перетинаються, та змін у розподілі вхідних даних. |
|---|---|
| ISSN: | 01351710 |