Покращена багатовимірна нео-нечітка система класифікації та її навчання для завдання класифікації відео

Автор(и)

DOI:

https://doi.org/10.30837/0135-1710.2024.181.042

Ключові слова:

гібридна нео-фаззі система, класифікація відео, регульовані синаптичні ваги, нео-фаззі система Такагі-Сугено-Канга, обробка в реальному часі, алгоритм оптимізації

Анотація

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.

Біографії авторів

Євген Володимирович Бодянський, Харківський національний університет радіоелектроніки, кафедра ШІ

доктор технічних наук, професор, професор кафедри ШІ ХНУРЕ, м. Харків, Україна.

Ольга Сергіївна Чала

старший викладач кафедри ШІ ХНУРЕ, м. Харків, Україна.

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.

##submission.downloads##

Опубліковано

2024-09-16