Математична модель розпізнавання фрактальних структур з використанням технології нейронних мереж

Abstract

Розглянуто методику навчання нейронної мережі розпізнавати фрактальні структури з поворотом елементів ітерації за допомогою удосконаленої рандомізованої системи ітераційних функцій. Параметри фрактальних структур є ефективним інструментом у наукових роботах, їх використовують для розрахунку складних параметрів фізичних явищ та для обчислень кількісних показників у технічних задачах. Розрахунок цих параметрів – дуже складна математична задача, оскільки дуже важко описати математичну модель фрактального зображення, визначити параметри ітераційних функцій. Навчання нейронної мережі дасть змогу швидко за готовим фрактальним зображенням визначати параметри перших ітерацій фрактала, а за їх допомогою визначати параметри ітераційних функцій. Удосконалена система рандомізованих ітераційних функцій (РСІФ) дасть змогу описати математичний процес та розробити програмне забезпечення для генерації фрактальних структур з можливостями повороту елементів ітерацій. А це дасть можливість сформувати масив даних для навчання нейронної мережі. Навчена нейронна мережа визначатиме параметри фігур перших ітерацій, на їх підставі можна буде побудувати систему ітераційних функцій, за допомогою якої можна відтворити якісно фрактальну структуру. Цей підхід застосовний для тривимірних фрактальних структур. Після встановлення параметрів перших ітерацій фрактала можна буде визначити геометричну структуру, на якій основана фрактальна структура. Цей підхід у майбутньому можна покласти в основу системи розпізнавання об’єктів, що містяться під фрактальними структурами, наприклад, під маскувальними сітками.

The article goes about the methods of training a neural network to recognize fractal structures with the rotation of iteration elements by means of an improved randomized system of iteration functions. Parameters of fractal structures are used to calculate complex parameters of physical phenomena. They are an effective tool in scientific works and used to calculate quantitative indicators in technical tasks. The calculation of these parameters is a very difficult mathematical problem. This is caused by the fact that it is very difficult to describe the mathematical model of the fractal image, it is difficult to determine the parameters of the iterative functions. The neural network learning will allow you to quickly determine the parameters of the first iterations of the fractal based on the finished fractal image and basing on them to determine the parameters of the iterative functions. The improved system of randomized iterative functions (SRIF) will allow to describe the mathematical process and to develop the software for generating fractal structures with the possibility of rotating elements of iterations. In its turn, this will make it possible to form an array of data for training a neural network. The trained neural network will be able to determine the parameters of the figures of the first iterations by means of which it will be possible to build a system of iterative functions. It will help to reproduce a fractal structure qualitatively. This approach can be used for three-dimensional fractal structures. After setting the parameters of the first iterations of the fractal, it will be possible to determine the geometric structure which is the basis of the fractal structure. In the future, this approach may be included in the system for recognizing objects under fractal structures, for example, under masking nets.