Дослідження змісту вагових коєфіцієнтів комплекснозначних нейромереж у частотній області

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2024.45(2).259-275

Ключові слова:

нейронні мережі, комплекснозначні нейронні мережі, цифрові зображення, фільтрація шуму

Анотація

Розглянуто задачу фільтрації зображень за допомогою комплекснозначної нейронної мережі MLMVN у частотній області. Досліджено випадки наявності на зображеннях адититвного Гаусівського шуму та мультиплікативного спекл шуму. Для фільтрації використано комплекснозначну нейромережу прямого поширення. Проведено аналіз вагів коєфіцієнтів нейроелементів на різних епохах процесу навчання та зміст ядер згорток утворених з вагів окремих нейроелементів у просторовій області.

Біографії авторів

Ю. О. Товт, ДВНЗ «Ужгородський національний університет»

Аспірант кафедри системного аналізу та теорії оптимізації

А. Ю. Брила, ДВНЗ «Ужгородський національний університет»

Доцент кафедри системного аналізу та теорії оптимізації. Кандидат фізико-математичних наук, доцент

Посилання

  1. Dabov, K., Foi, A., Katkovnik, V., & Egiazarian, K. (2007). Image denoising by sparse 3-D Transform-Domain collaborative filtering. IEEE Transactions on Image Processing, 16(8), 2080–2095. https://doi.org/10.1109/tip.2007.901238
  2. Wiener, N. (1949). Extrapolation, interpolation, and smoothing of stationary time series: With Engineering Applications. The M.I.T. Press: Cambridge, Massachusetts.
  3. Aizenberg, I., & Moraga, C. (2006). Multilayer feedforward neural network based on multivalued neurons (MLMVN) and a backpropagation learning algorithm. Soft Computing, 11(2), 169–183. https://doi.org/10.1007/s00500-006-0075-5
  4. Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing, Global Edition. (pp. 18–19). Pearson Education: UK.
  5. Cooley, J. W., & Tukey, J. W. (1965). An algorithm for the machine calculation of complex fourier series. Mathematics of Computation, 19(90), 297–301. https://doi.org/10.2307/2003354
  6. Jahan, I. (2017). A Comparative study of Gaussian noise removal methodologies for gray scale images. International Journal of Computer Applications, 172(5), 1–6. https://doi.org/10.5120/ijca2017915138
  7. Pradeep, S., & Nirmaladevi, P. (2021). A Review on Speckle Noise Reduction Techniques in Ultrasound Medical images based on Spatial Domain, Transform Domain and CNN Methods. International Virtual Conference on Robotics, Automation, Intelligent Systems and Energy. Erode: India. 1055(1). https://doi.org/10.1088/1757-899x/1055/1/012116
  8. Aizenberg, I. (2012). Hebbian and error-correction learning for complex-valued neurons. Soft Computing, 17(2), 265–273. https://doi.org/10.1007/s00500-012-0891-8
  9. Bindi, M., Luchetta, A., Lozito, G. M., Carobbi, C. F. M., Grasso, F., & Piccirilli, M. C. (2023). Frequency characterization of medium voltage cables for fault prevention through Multi-Valued neural networks and power line communication technologies. IEEE Transactions on Power Delivery, 38(5), 3227–3237. https://doi.org/10.1109/tpwrd.2023.3270128
  10. Aizenberg, I., Luchetta, A., & Manetti, S. (2011). A modified learning algorithm for the multilayer neural network with multi-valued neurons based on the complex QR decomposition. Soft Computing, 16(4), 563–575. https://doi.org/10.1007/s00500-011-0755-7
  11. Aizenberg, E., & Aizenberg, I. (2014). Batch linear least squares-based learning algorithm for MLMVN with soft margins. IEEE Symposium on Computational Intelligence and Data Mining (CIDM). Orlando: USA. https://doi.org/10.1109/cidm.2014.7008147
  12. Lawson, C. L., & Hanson, R. J. (1995). Solving least squares problems. SIAM: USA. https://doi.org/10.1137/1.9781611971217
  13. Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing, Global Edition. (pp. 213–214). Pearson Education: UK.
  14. Sara, U., Akter, M., & Uddin, M. S. (2019). Image Quality Assessment through FSIM, SSIM, MSE and PSNR — A Comparative Study. Journal of Computer and Communications, 7(3), 8–18. https://doi.org/10.4236/jcc.2019.73002

##submission.downloads##

Опубліковано

2024-11-21

Як цитувати

Товт, Ю. О., & Брила, А. Ю. (2024). Дослідження змісту вагових коєфіцієнтів комплекснозначних нейромереж у частотній області. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 45(2), 259–275. https://doi.org/10.24144/2616-7700.2024.45(2).259-275

Номер

Том 45 № 2 (2024)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2024 Ю. О. Товт, А. Ю. Брила

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.