Покращена багатовимірна нео-нечітка система класифікації та її навчання для завдання класифікації відео
DOI:
https://doi.org/10.30837/0135-1710.2024.181.042Ключові слова:
гібридна нео-фаззі система, класифікація відео, регульовані синаптичні ваги, нео-фаззі система Такагі-Сугено-Канга, обробка в реальному часі, алгоритм оптимізаціїАнотація
Дослідження представляє інноваційну гібридну нео-фаззі систему для класифікації відео, що інтегрує багатовимірні нео-фаззі компоненти з регульованими синаптичними вагами та спеціалізованими функціями належності. Поєднуючи розширені нео-фаззі нейрони (ENFN) і нео-фаззі блоки (NFU) з нелінійними активаційними функціями та включаючи розширені нелінійні синапси (ENS), система використовує нео-фаззі систему виведення Такагі-Сугено-Канга для покращення апроксимаційних можливостей традиційних моделей.
Класифікація відео є складною через великий обсяг даних та їхню змінність, особливо з рухомими об'єктами та варіацією якості відео. Традиційні моделі стикаються з труднощами в обробці в реальному часі та підтримці точності, що вимагає вдосконалених методів для забезпечення надійної роботи.
Метою є розробка та оптимізація гібридної нео-фаззі системи для класифікації відеопотоків в реальному часі, зберігаючи високу точність. Комп'ютерні експерименти продемонстрували її надійність, досягнувши високої точності та відгуку. Запропонований алгоритм оптимізації, використовуючи критерій перехресної ентропії з one-hot кодуванням та адаптивними налаштуваннями δ-правила, покращив швидкість навчання та точність.
Новизна полягає в розробці гібридної нео-фаззі системи з удосконаленими компонентами та унікальним алгоритмом оптимізації, що забезпечує надійність та ефективність у складних завданнях класифікації відео.
Посилання
Aggarwal, C. C. (Ed.). (2014). Data classification: Algorithms and applications. CRC Press, Taylor & Francis Group.
Ramzan, F., & Ayyaz, M. (2023). A comprehensive review on data stream mining techniques for data classification and future trends. EPH - International Journal of Science And Engineering, 9(3), 1–29. https://doi.org/10.53555/ephijse.v9i3.201
Rutkowski, L., Jaworski, M., & Duda, P. (2020). Stream Data Mining: Algorithms and Their Probabilistic Properties (Vol. 56). Springer International Publishing. https://doi.org/10.1007/978-3-030-13962-9
Zheng, X., Li, P., & Wu, X. (2022). Data Stream Classification Based on Extreme Learning Machine: A Review. Big Data Research, 30, 100356. https://doi.org/10.1016/j.bdr.2022.100356
Video Classification using Spatio Temporal Features (1. Aufl) (with Das, R., & Geetha, M. K.). (2015). LAP LAMBERT Academic Publishing.
Candela, F., Giordano, A., Zagaria, C. F., & Morabito, F. C. (2024). Effectiveness of deep learning techniques in TV programs classification: A comparative analysis. Integrated Computer-Aided Engineering, 1–15. https://doi.org/10.3233/ICA-240740
Islam, M. S., Sultana, M. S., Roy, U. K., & Mahmud, J. A. (2021). A review on Video Classification with Methods, Findings, Performance, Challenges, Limitations and Future Work. Jurnal Ilmiah Teknik Elektro Komputer Dan Informatika, 6(2), 47. https://doi.org/10.26555/jiteki.v6i2.18978
Jeong, E.-R., Lee, E.-S., Joung, J., & Oh, H. (2020). Convolutional Neural Network (CNN)-Based Frame Synchronization Method. Applied Sciences, 10(20), 7267. https://doi.org/10.3390/app10207267
Elwarfalli, H., & Hardie, R. C. (2021). FIFNET: A convolutional neural network for motion-based multiframe super-resolution using fusion of interpolated frames. Computer Vision and Image Understanding, 202, 103097. https://doi.org/10.1016/j.cviu.2020.103097
El-Assal, M., Tirilly, P., & Bilasco, I. M. (2023). Spiking Two-Stream Methods with Unsupervised STDP-based Learning for Action Recognition (arXiv:2306.13783). arXiv. http://arxiv.org/abs/2306.13783
Han, Q., Zhao, H., Min, W., Cui, H., Zhou, X., Zuo, K., & Liu, R. (2020). A Two-Stream Approach to Fall Detection With MobileVGG. IEEE Access, 8, 17556–17566. https://doi.org/10.1109/ACCESS.2019.2962778
Simonyan, K., & Zisserman, A. (2014). Two-Stream Convolutional Networks for Action Recognition in Videos (arXiv:1406.2199). arXiv. http://arxiv.org/abs/1406.2199
Wang, C. (2023). A Review on 3D Convolutional Neural Network. 2023 IEEE 3rd International Conference on Power, Electronics and Computer Applications (ICPECA), 1204–1208. https://doi.org/10.1109/ICPECA56706.2023.10075760
Sherstinsky, A. (2020). Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) Network. Physica D: Nonlinear Phenomena, 404, 132306. https://doi.org/10.1016/j.physd.2019.132306
He, K., Zhang, X., Ren, S., & Sun, J. (2015, December). Deep Residual Learning for Image Recognition. arXiv. http://arxiv.org/abs/1512.03385
Miki, T. (1999). Analog Implementation of Neo-Fuzzy Neuron and Its On-board Learning.
Uchino, E., & Yamakawa, T. (1997). Soft Computing Based Signal Prediction, Restoration, and Filtering. In D. Ruan (Ed.), Intelligent Hybrid Systems (pp. 331–351). Springer US. https://doi.org/10.1007/978-1-4615-6191-0_14
Yamakawa, J., Uchino, E., Miki, J., & Kusanagi, H. (1992, July). A neo-fuzzy neuron and its application to system identification and prediction of the system behavior. Proceedings of the 2nd International Conference on Fuzzy Logic & Neural Networks.
Zhang, Y., Wang, G., Zhou, T., Huang, X., Lam, S., Sheng, J., Choi, K. S., Cai, J., & Ding, W. (2024). Takagi-Sugeno-Kang fuzzy system fusion: A survey at hierarchical, wide and stacked levels. Information Fusion, 101, 101977. https://doi.org/10.1016/j.inffus.2023.101977
Bodyanskiy, Ye. V., & Kulishova, N. E. (2014). Extended neo-fuzzy neuron in the task of images filtering. Radio Electronics, Computer Science, Control, 0(1). https://doi.org/10.15588/1607-3274-2014-1-16
Bodyanskiy, Y., Popov, S., & Titov, M. (2010). Robust Learning Algorithm for Networks of Neuro-Fuzzy Units. In T. Sobh (Ed.), Innovations and Advances in Computer Sciences and Engineering (pp. 343–346). Springer Netherlands. https://doi.org/10.1007/978-90-481-3658-2_59
Haykin, S. S. (1999). Neural networks: A comprehensive foundation (2nd ed). Prentice Hall.
Goodwin, G. C., Ramadge, P. J., & Caines, P. E. (1981). Discrete Time Stochastic Adaptive Control. SIAM J. Control Optim., 19(6), 829–853. https://doi.org/10.1137/0319052
Widrow, B., & Hoff, M. E. (1960). Adaptive Switching Circuits. IRE WESCON Convention Record.
