Development of the modified methods to train a neural network to solve the task on recognition of road users

Abstract

Розроблено модифікації простого генетичного алго ритму для розпізнавання образів. У запропонованій модифікації АльфаБета на етапі відбору особин до нової популяції особини ранжуються за показником пристосо ваності, далі випадковим чином визначається кількість пар -певна кількість найпристосованіших особин, та стільки ж найменш пристосованих. Найпристосованіші особини формують підмножину B, найменш пристосова ні -підмножину W. Обидві підмножини входять в мно жину пар V. Число особин, що можуть бути обрані в пари, знаходиться в діапазоні 20-60 % від загальної кількості особин. У модифікації АльфаБета фіксована в порівнян ні з оригінальною версією простого генетичного алгорит му було додано можливість виникнення двох мутацій, додано фіксовану точку схрещення, а також змінено від бір особин для схрещення. Це дозволяє підвищити показ ник точності у порівнянні з базовою версією простого генетичного алгоритму. У модифікації Фіксована вста новлено фіксовану точку схрещення. В схрещенні при ймає участь половина генів -гени що відповідають за кількість нейронів на шарах, значення інших генів завж ди передаються нащадкам від однієї з особин. Також, на етапі мутації випадковим чином відбуваються мутації з використанням методу МонтеКарло. Розроблені методи програмно реалізовано для вирі шення задачі розпізнавання учасників дорожнього руху (автомобілів, велосипедів, пішоходів, мотоциклів, ван тажівок). Також було проведено порівняння показників використання модифікацій простого генетичного алго ритму та визначено кращий підхід вирішення задачі роз пізнавання учасників дорожнього руху. Було встанов лено, що розроблена модифікація АльфаБета показала кращі результати у порівнянні з іншими модифікація ми при вирішенні задачі розпізнавання учасників дорож нього руху. При застосуванні розроблених модифікацій отримано наступні показники точності: АльфаБета-96,90 %, АльфаБета фіксована -95,89 %, фіксована -85,48 %. Крім того, при застосуванні розроблених моди фікацій скорочується час підбору параметрів нейромо делі, зокрема при використанні модифікації АльфаБета витрачається лише 73,9 % часу базового методу, при використанні модифікації Фіксована -91,1 % часу базо вого генетичного методу Ключові слова: розпізнавання образів, генетичний алго ритм, еволюційний алгоритм, нейронні мережі, Python, OpenCV, Keras UDC 004.93

Construction of a genetic method to forecast the population health indicators based on neural network models

“…Thus, it is proposed at each iteration of the method, after calculating the function of adaptability, to rank the individuals from the received generation based on the value of mutation resistance. In contrast to the classical operator, we indicate at the beginning not the likelihood of a mutation but the proportion of individuals who subjected to operator (25).…”

“…The adam algorithm was used as an algorithm for optimization [21]. Adam is the optimization algorithm that can be used instead of a classical procedure to reduce a random gradient, to update the iterative weight of the network based on training data [22]. The algorithm combines the advantages of such classic gradient descent extensions as the adaptive gradient algorithm (AdaGrad) and the moving average of squared gradients (RMSProp).…”

“…As it follows from the analysis of sources [16][17][18][19][20][21][22][23], finding the optimal solution using a GA requires that about two or three million individuals should be born. However, a high resource cost of determining the target function value for each individual can greatly prolong the time of an optimum search.…”

“…To determine the phenotype of an individual, we select from each allele a gene that would be denoted as dominant and would determine the phenotype of the individual, that is, involved in the calculation of the function of the individual adaptability. Determining an individual's phenotype can be represented in the form of formula [21][22][23]…”

Development of a genetic algorithm for placing power supply sources in a distributed electric network

“…If this number is less than the mutation coefficient, then start the mutation procedure for this chromosome. This procedure is as follows [34]:…”