Розпізнавання спотворених символів неповнозв’язною одношаровою дипольною нейронною мережею

Simple item page
dc.citation.epage207
dc.citation.issue12
dc.citation.journalTitleВісник Національного університету "Львівська політехніка" "Інформаційні системи та мережі"
dc.citation.spage199
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationДрогобицький державний педагогічний університет ім. І. Франка
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationDrohobych Ivan Franko State Pedagogical University
dc.contributor.authorПелещак, Роман
dc.contributor.authorЛитвин, Василь
dc.contributor.authorДорошенко, Микола
dc.contributor.authorПелещак, Іван
dc.contributor.authorСідлецький, Святослав
dc.contributor.authorPeleshchak, Roman
dc.contributor.authorLytvyn, Vasyl
dc.contributor.authorDoroshenko, Mykola
dc.contributor.authorPeleshchak, Ivan
dc.contributor.authorSidletskyi, Sviatoslav
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2025-03-06T08:06:13Z
dc.date.created2022-02-28
dc.date.issued2022-02-28
dc.description.abstractУ роботі розглянуто дві проблеми: перша стосується розпізнавання спотворених символьних образів одношаровою неповнозв’язною дипольною нейронною мережею, а друга – оптимізації обчислювального ресурсу під час розпізнавання спотворених символьних образів. Об’єктом дослідження є процес розпізнавання спотворених символьних образів одношаровою неповнозв’язною дипольною нейронною мережею. Предмет дослідження – алгоритми оптимізації обчислювального ресурсу під час розпізнавання спотворених символьних образів, а його мета – розроблення архітектури неповнозв’язної одношарової мережі з дипольними нейронами. Зокрема, запропоновано архітектуру неповнозв’язної одношарової мережі з дипольними нейронами. Неповнозв’язність синаптичних зв’язків між нейронами ґрунтується на тому, що істотна взаємодія між дипольними нейронами існує в найближчому їх оточенні.
dc.description.abstractThis paper solves two problems: the first problem is devoted to the recognition of distorted symbolic images by a single-layer incompatible dipole neural network, and the second - the optimization of computing resources in the recognition of distorted symbolic images. In particular, the architecture of an incompatible single-layer network with dipole neurons is proposed. Incompatibility of synaptic connections between neurons is based on the fact that significant interaction between dipole neurons exists in their immediate environment.
dc.format.extent199-207
dc.format.pages9
dc.identifier.citationРозпізнавання спотворених символів неповнозв’язною одношаровою дипольною нейронною мережею / Роман Пелещак, Василь Литвин, Микола Дорошенко, Іван Пелещак, Святослав Сідлецький // Вісник Національного університету "Львівська політехніка" "Інформаційні системи та мережі". — Львів : Видавництво Львівської політехніки, 2022. — № 12. — С. 199–207.
dc.identifier.citationenDistorted character recognition by an incompatible single-layer dipole neural network / Peleshchak Roman, Lytvyn Vasyl, Doroshenko Mykola, Peleshchak Ivan, Sidletskyi Sviatoslav // Visnyk Natsionalnoho universytetu "Lvivska politekhnika" "Informatsiini systemy ta merezhi". — Lviv : Lviv Politechnic Publishing House, 2022. — No 12. — P. 199–207.
dc.identifier.doidoi.org/10.23939/sisn2022.12.199
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/63943
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofВісник Національного університету "Львівська політехніка" "Інформаційні системи та мережі", 12, 2022
dc.relation.references1. Peleshchak R., Lytvyn V., Peleshchak I., Doroshenko M., Olyvko R. (2019). Hechth-Nielsen theorem for a modified neural network with diagonal synaptic connections. Mathematical modeling and computing, 6 (1), 101–108. Retrieved from: https://doi.org/10.23939/mmc2019.01.101.
dc.relation.references2. Lytvyn V., Peleshchak I., Peleshchak, R. (2017). The compression of the input images in neural network that using method diagonalization the matrices of synaptic weight connections. 2nd International Conference on Advanced Information and Communication Technologies (AICT), 66–70. Retrieved from: https://doi.org/10.1109/AIACT.2017.8020067.
dc.relation.references3. Haykin S. (2006). Neural networks. Complete Course 2nd Ed. Translation from English. Williams Publishing House, 1104.
dc.relation.references4. Penrouz R. (2005). Shadows of the Mind: In Search of a Science of Consciousness. IKI, 690.
dc.relation.references5. Hameroff S. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? Journal of Consciousness Studies, 1, 91–118.
dc.relation.references6. Пелещак Р. М., Литвин В. В., Черняк О. І., Пелещак І. Р., Дорошенко М. В. (2021). Стохастична псевдоспінова нейронна мережа з тридіагональними синаптичними зв’язками. Радіоелектроніка, інформатика, управління, 2, 114–122. Retrieved from: https://doi.org/10.15588/1607-3274-2021-2-12.
dc.relation.references7. Brown J. A., Tuszynski J. A. (1999). A review of the ferroelectric model of microtubules. Ferroelectrics, 220, 141–155. Retrieved from: https://doi.org/10.1080/00150199908216213.
dc.relation.references8. Tuszynski J. A., Hameroff S. H., Sataric M. V., Trpisova B. T., Nip M. L. A. (1995). Ferroelectric behavior in microtubule dipole lattices: implications for information processing, signaling and assembly/disassembly. Journal of Theoretical Biology, 174, 371–380. Retrieved from: https://doi.org/10.1006/jtbi.1995.0105.
dc.relation.references9. Hunt C., Stebbing H. (1994). Role of MAPs and motors in the bundling and shimmering of native microtubules from insect ovarioles. Cell Motility and Cytoskeleton, 27, 6978–6985. Retrieved from: https://doi.org/10.1002/cm.970270108.
dc.relation.references10. Slyadnikov Е. Е. (2007). Physical model and associative memory of the cytoskeletal microtubule dipole system. Journal of Technical Physics, 77 (7), 77–86.
dc.relation.references11. Hopfield J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences (PNAS), 79 (8), 2554–2558. Retrieved from: https://doi.org/10.1073/pnas.79.8.2554.
dc.relation.referencesen1. Peleshchak R., Lytvyn V., Peleshchak I., Doroshenko M., Olyvko R. (2019). Hechth-Nielsen theorem for a modified neural network with diagonal synaptic connections. Mathematical modeling and computing, 6 (1), 101–108. https://doi.org/10.23939/mmc2019.01.101
dc.relation.referencesen2. Lytvyn, V., Peleshchak, I., Peleshchak, R. (2017). The compression of the input images in neural network that using method diagonalization the matrices of synaptic weight connections. 2nd International Conference on Advanced Information and Communication Technologies (AICT), 66–70. https://doi.org/10.1109/AIACT.2017.8020067.
dc.relation.referencesen3. Haykin S. (2006). Neural networks. Complete Course 2nd Ed. Translation from English. Williams Publishing House, 1104.
dc.relation.referencesen4. Penrouz R. (2005). Shadows of the Mind: In Search of a Science of Consciousness. IKI, 690.
dc.relation.referencesen5. Hameroff S. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? Journal of Consciousness Studies, 1, 91–118.
dc.relation.referencesen6. Peleshchak R. М., Lytvyn, V. V., Cherniak О. І., Peleshchak І. R., Doroshenko М. V. (2021). Stochastic pseudospin neural network with tridiagonal synaptic connections. Radio Electronics, Computer Science, Control, 2, 114–122. https://doi.org/10.15588/1607-3274-2021-2-12.
dc.relation.referencesen7. Brown J. A., Tuszynski J. A. (1999). A review of the ferroelectric model of microtubules. Ferroelectrics, 220, 141–155. https://doi.org/10.1080/00150199908216213.
dc.relation.referencesen8. Tuszynski J. A., Hameroff S. H., Sataric M. V., Trpisova B. T., Nip M. L. A. (1995). Ferroelectric behavior in microtubule dipole lattices: implications for information processing, signaling and assembly/disassembly. Journal of Theoretical Biology, 174, 371–380. https://doi.org/10.1006/jtbi.1995.0105.
dc.relation.referencesen9. Hunt C., Stebbing H. (1994). Role of MAPs and motors in the bundling and shimmering of native microtubules from insect ovarioles. Cell Motility and Cytoskeleton, 27, 6978–6985. https://doi.org/ 10.1002/cm.970270108.
dc.relation.referencesen10. Slyadnikov Е. Е. (2007). Physical model and associative memory of the cytoskeletal microtubule dipole system. Journal of Technical Physics, 77 (7), 77–86.
dc.relation.referencesen11. Hopfield J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences (PNAS), 79 (8), 2554–2558. https://doi.org/10.1073/pnas.79.8.2554.
dc.relation.referencesen12. Schmidhuber Jürgen (2020). Generative Adversarial Networks are special cases of Artificial Curiosity (1990) and also closely related to Predictability Minimization (1991). Neural Networks, Vol. 124, 58–66.
dc.relation.referencesen13. Logan G. Wright, Tatsuhiro Onodera, Martin M. Stein, Tianyu Wang, Darren T. Schachter, Zoey Hu &Peter L. McMahon (2022). Deep physical neural networks trained with backpropagation. Nature, Vol. 601, 549–555.
dc.relation.referencesen14. Hendrik Poulsen Nautrup, Tony Metger, Raban Iten, Sofiene Jerbi, Lea M. Trenkwalder, Henrik Wilming, Hans J. Briegel, Renato Renner (2020). Operationally meaningful representations of physical systems in neural networks Аrxiv. https://arxiv.org/abs/2001.00593.
dc.relation.referencesen15. Tai-hoon Kim (2010). Pattern Recognition Using Artificial Neural Network: A Review International Conference on Information Security and Assurance, Vol. 76: Information Security and Assurance, 138–148.
dc.relation.urihttps://doi.org/10.23939/mmc2019.01.101
dc.relation.urihttps://doi.org/10.1109/AIACT.2017.8020067
dc.relation.urihttps://doi.org/10.15588/1607-3274-2021-2-12
dc.relation.urihttps://doi.org/10.1080/00150199908216213
dc.relation.urihttps://doi.org/10.1006/jtbi.1995.0105
dc.relation.urihttps://doi.org/10.1002/cm.970270108
dc.relation.urihttps://doi.org/10.1073/pnas.79.8.2554
dc.relation.urihttps://doi.org/
dc.relation.urihttps://arxiv.org/abs/2001.00593
dc.rights.holder© Національний університет “Львівська політехніка”, 2022
dc.rights.holder© Пелещак Р., Литвин В., Дорошенко М., Пелещак І., Сідлецький С., 2022
dc.subjectдипольна неповнозв’язна нейромережа
dc.subjectматриця синаптичних зв’язків
dc.subjectчас обчислювального ресурсу
dc.subjectавтоасоціативна пам’ять
dc.subjectdipole incompatible neural network
dc.subjectsynaptic matrix
dc.subjectcomputational resource time
dc.subjectauto-associative memory
dc.subject.udc004.8
dc.subject.udc004.032.26
dc.titleРозпізнавання спотворених символів неповнозв’язною одношаровою дипольною нейронною мережею
dc.title.alternativeDistorted character recognition by an incompatible single-layer dipole neural network
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2022n12_Peleshchak_R-Distorted_character_199-207.pdf
Size:
1.1 MB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
2022n12_Peleshchak_R-Distorted_character_199-207__COVER.png
Size:
392.9 KB
Format:
Portable Network Graphics
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.96 KB
Format:
Plain Text
Description:
Download

Collections

Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2022. – Випуск 12