Evaluation of classification accuracy using feedforward neural network for dynamic objects
| dc.contributor.affiliation | Lviv Polytechnic National University | |
| dc.contributor.author | Peleshchak, Ivan | |
| dc.contributor.author | Koshtura, Diana | |
| dc.coverage.placename | Львів | |
| dc.date.accessioned | 2025-10-28T10:29:06Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2025 | |
| dc.description.abstract | This paper investigates the impact of the number of hidden layers, the number of neurons in these layers, and the types of activation functions on the accuracy of classifying projectiles of six types (A – (artillery); A/M – (artillery/missile); A/R – (armor-piercing); A/RC – (armor-piercingincendiary); M – (missile); R – (armor-piercing shells)) using a multi-layer neural network, evaluated by a confusion matrix. Specifically, confusion matrices were constructed to assess the accuracy of classifying projectiles of six types (A – (artillery); A/M – (artillery/missile); A/R – (armor-piercing),; A/RC – (armor-piercing-incendiary); M – (missile); R – (armor-piercing shells)) using a multi-layer perceptron with one, two, and three hidden layers and activation functions: Logistic, Tanh, Relu, Softmax, respectively. It was found that the highest accuracy in classifying projectiles is achieved using a neural network with two hidden layers, with 33 neurons in the first hidden layer with Tanh activation function and 8 neurons with Tanh activation function in the second hidden layer, and Softmax for the neurons in the output layer. У роботі на основі мультишарової нейронної мережі досліджено вплив кількості прихованих шарів, числа нейронів у них та типів активаційних функцій на точність класифікації снарядів шістьох типів (А – (а-боєприпаси); А/М – (а/м-боєприпаси; А/Р – (бронебійні); А/РС – (бронебійно-набивні); М – (m-боєприпаси); Р – (бронебійні боєприпаси)), яка оцінюється матрицею помилок. Зокрема, побудовані матриці помилок для оцінки точності класифікації снарядів шістьох типів (А – (а-боєприпаси); А/М – (а/м-боєприпаси; А/Р – (бронебійні); А/РС – (бронебійно-набивні); М – (m-боєприпаси); Р – (бронебійні боєприпаси) мультишаровим нейрон-ним перцептроном з одним, двома та трьома прихованими шарами та функціями активацій: Logistic, Tanh, Relu, Softmax відповідно. Встановлено, що найвища точність класифікації снарядів досягається за допомогою нейромережі з двома прихованими шарами з кількістю нейронів у першому прихованому шарі 33 з функцією активації tanh та 8–ми нейронами з функцією ативації Tanh у другому прихованому шарі та Softmax для нейронів вихідног шару. | |
| dc.format.pages | 260-272 | |
| dc.identifier.citation | Peleshchak I. Evaluation of classification accuracy using feedforward neural network for dynamic objects / Ivan Peleshchak, Diana Koshtura // Вісник Національного університету “Львівська політехніка”. Серія: Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2024. — № 15. — С. 260–272. | |
| dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/115415 | |
| dc.language.iso | en | |
| dc.publisher | Національний університет «Львівська політехніка» | |
| dc.relation.references | 1. Крстініч, Д., Бравіч, М., Шеріч, Л., та Божіч-Штуліч, Д. (2020). Оцінка продуктивності багато- етикеткового класифікатора з використанням матриці помилок. Комп'ютерні науки та інформаційні техно- логії, 1, 1–14. DOI:10.5121/csit.2020.100801 2. Сю, Ж., Чжан, Ї., та Мяо, Д. (2020). Трьохстороння матриця помилок для класифікації: вимірювальний погляд. Інформаційні науки, 507, 772–794. DOI:10.1016/j.ins.2019.06.064 3. Хейдаріан, М., Дойл, Т. Е., та Самаві, Р. (2022). MLCM: Багатоетикеткова матриця помилок. IEEE Access, 10, 19083–9095. DOI:10.1109/ACCESS.2022.3151048 4. Вуєвіч, Ж. (2021). Метрики оцінки моделей класифікації. Міжнародний журнал передових комп’ютерних наук і застосувань, 12(6), 599–606. DOI:10.14569/IJACSA.2021.0120670 5. Хаснайн, М., Паша, М. Ф., Гані, І., Імран, М., Аль-Захрані, М. Й., та Будіарто, Р. (2020). Оцінка передбачення довіри та міри матриці помилок для ранжування веб-сервісів. IEEE Access, 8, 90847–90861. DOI:10.1109/ACCESS.2020.2994222 6. Чжоу, С., та Дель Валле, А. (2020, березень). Діапазонна матриця помилок для класифікації дисбалансованих часових рядів. У 2020 6-й конференції зі науки про дані та застосувань машинного навчання (CDMA) (стор. 1–6). IEEE. DOI:10.1109/CDMA47397.2020.00006 7. Санні, Р . Р ., т а Г урупрасад, Х . С . ( 2021). А наліз м етрик продуктивності п ацієнтів з с ерцевою недостатністю за допомогою Python та алгоритмів машинного навчання. Глобальні переходи: матеріали конференцій, 2(2), 233–237. DOI:10.1016/j.gltp.2021.08.028 Evaluation of Classification Accuracy Using Feedforward Neural Network for Dynamic Objects 271 8. Гупта, А., Пармар, Р., Сурі, П., та Кумар, Р. (2021, грудень). Визначення точності штучних інтелектуальних моделей за допомогою Python та R-Studio. У 2021 3-й Міжнародній конференції з передових досягнень в області обчислювальної техніки, зв'язку, керування та мереж (ICAC3N) (стор. 889–894). IEEE. DOI:10.1109/ICAC3N53548.2021.9725687 9. Пелещак, Р., Литвин, В., Пелещак, І., Худий, А., Рибчак, З., та Мушаста, С. (2022). Класифікація тональності тексту за допомогою гібридної згорткової нейронної мережі з паралельними та послідовними з'єднаннями між шарами. У COLINS (стор. 904–915). DOI:10.3390/sym16040485 10. Пелещак, Р., Литвин, В., Холодна, Н., Пелещак, І., та Висоцька, В. (2022, лютий). Двоетапний метод шифрування AES на основі стохастичної помилки нейронної мережі. У 2022 IEEE 16-й Міжнародній конференції з передових тенденцій у радіоелектроніці, телекомунікаціях та комп'ютерному інженерії (TCSET) (стор. 381–385). IEEE. DOI:10.1109/AIACT.2019.8847896 11. Шамрат, Ф. Дж. М., Азам, С., Карім, А., Ахмед, К., Буі, Ф. М., та Де Бур, Ф. (2023). Високоточна багатокласова класифікація захворювань легень через налаштований MobileNetV2 за допомогою зображень рентгенів грудей. Комп'ютери в біології та медицині, 155, 106646. DOI:10.1016/j.compbiomed.2023.106646 12. Хан, М. С., Нат, Т. Д., Хоссен, М. М., Мукерджі, А., Хаснат, Х. Б., Мім, Т. М., & Хан, У. (2023). Порівняння технік багатокласової класифікації за допомогою набору даних з сухого кавового зерна. Міжнародний журнал когнітивних обчислень в інженерії, 4, 6–20. DOI:10.1016/j.ijcce.2023.01.002 13. Нахідузаман, М., Гоні, М. О. Ф., Хасан, Р., Іслам, М. Р., Сифулла, М. К., Шахріар, С. М., ... та Ковальський, М. (2023). Паралельна CNN-ELM: багатокласова класифікація зображень рентгенів грудної клітки для виявлення сімнадцяти захворювань легень, включаючи COVID-19. Експертні системи з застосуваннями, 229, 120528. DOI:10.21203/rs.3.rs-3358084/v1 14.Ду, Ї., Ян, Ї., Тао, Д., та Хсіє, М. Х. (2023). Проблемно-залежна потужність квантових нейронних мереж у багатокласовій класифікації. Фізичний огляд листів, 131(14), 140601. DOI:10.1103/PhysRevLett.131.140601 15. Афзал, С., Зіапур, Б. М., Шокрі, А., Шакібі, Х., та Собхані, Б. (2023). Прогнозування споживання енергії будівель за допомогою моделей, підтриманих багатошаровими перцептронами нейронних мереж; порівняння різних алгоритмів оптимізації. Енергія, 282, 128446. DOI:10.1016/j.energy.2023.128446 16. UkrOboronProm. (2023). Каталог радіолокаційних, радіозв'язку та систем ППО. Отримано з http://progress.gov.ua/en/catalogs/ | |
| dc.relation.references | 1. Krstinić, D., Braović, M., Šerić, L., & Božić-Štulić, D. (2020). Multi-label classifier performance evaluation with confusion matrix. Computer Science & Information Technology, 1, 1–14. DOI:10.5121/csit.2020.100801 2. Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information sciences, 507, 772–794. DOI:10.1016/j.ins.2019.06.064 3. Heydarian, M., Doyle, T. E., & Samavi, R. (2022). MLCM: Multi-label confusion matrix. IEEE Access, 10, 19083–19095. DOI:10.1109/ACCESS.2022.3151048 4. Vujović, Ž. (2021). Classification model evaluation metrics. International Journal of Advanced Computer Science and Applications, 12(6), 599–606. DOI:10.14569/IJACSA.2021.0120670 5. Hasnain, M., Pasha, M. F., Ghani, I., Imran, M., Alzahrani, M. Y., & Budiarto, R. (2020). Evaluating trust prediction and confusion matrix measures for web services ranking. Ieee Access, 8, 90847–90861. DOI:10.1109/ACCESS.2020.2994222 6. Zhou, X., & Del Valle, A. (2020, March). Range based confusion matrix for imbalanced time series classification. In 2020 6th Conference on Data Science and Machine Learning Applications (CDMA) (pp. 1–6). IEEE. DOI:10.1109/CDMA47397.2020.00006 7. Sanni, R. R., & Guruprasad, H. S. (2021). Analysis of performance metrics of heart failured patients using Python and machine learning algorithms. Global transitions proceedings, 2(2), 233–237. DOI:10.1016/j.gltp.2021.08.028 8. Gupta, A., Parmar, R., Suri, P., & Kumar, R. (2021, December). Determining Accuracy Rate of Artificial Intelligence Models using Python and R-Studio. In 2021 3rd International Conference on Advances in Computing, Communication Control and Networking (ICAC3N) (pp. 889–894). IEEE. DOI:10.1109/ICAC3N53548.2021.9725687 9. Peleshchak, R., Lytvyn, V., Peleshchak, I., Khudyy, A., Rybchak, Z., & Mushasta, S. (2022). Text Tonality Classification Using a Hybrid Convolutional Neural Network with Parallel and Sequential Connections Between Layers. In COLINS (pp. 904–915). DOI:10.3390/sym16040485 10. Peleshchak, R., Lytvyn, V., Kholodna, N., Peleshchak, I., & Vysotska, V. (2022, February). Two-stage AES encryption method based on stochastic error of a neural network. In 2022 IEEE 16th International Conference 272 I. Peleshchak, D. Koshtura on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET) (pp. 381–385). IEEE. DOI:10.1109/AIACT.2019.8847896 11. Shamrat, F. J. M., Azam, S., Karim, A., Ahmed, K., Bui, F. M., & De Boer, F. (2023). High-precision multiclass classification of lung disease through customized MobileNetV2 from chest X-ray images. Computers in Biology and Medicine, 155, 106646. DOI:10.1016/j.compbiomed.2023.106646 12. Khan, M. S., Nath, T. D., Hossain, M. M., Mukherjee, A., Hasnath, H. B., Meem, T. M., & Khan, U. (2023). Comparison of multiclass classification techniques using dry bean dataset. International Journal of Cognitive Computing in Engineering, 4, 6–20. DOI:10.1016/j.ijcce.2023.01.002 13. Nahiduzzaman, M., Goni, M. O. F., Hassan, R., Islam, M. R., Syfullah, M. K., Shahriar, S. M., ... & Kowalski, M. (2023). Parallel CNN-ELM: A multiclass classification of chest X-ray images to identify seventeen lung diseases including COVID-19. Expert Systems with Applications, 229, 120528. DOI:10.21203/rs.3.rs-3358084/v1 14. Du, Y., Yang, Y., Tao, D., & Hsieh, M. H. (2023). Problem-dependent power of quantum neural networks on multiclass classification. Physical Review Letters, 131(14), 140601. DOI:10.1103/PhysRevLett.131.140601 15. Afzal, S., Ziapour, B. M., Shokri, A., Shakibi, H., & Sobhani, B. (2023). Building energy consumption prediction using multilayer perceptron neural network-assisted models; comparison of different optimization algorithms. Energy, 282, 128446. DOI:10.1016/j.energy.2023.128446 16. UkrOboronProm. (2023). Catalogue Radar, Radio Communication and Air Defence Systems. Retrieved from http://progress.gov.ua/en/catalogs/ | |
| dc.relation.uri | https://doi.org/10.23939/sisn2024.15.260 | |
| dc.subject | confusion matrix; projectile classification; neural network; computational optimization, матриця помилок; класифікація снарядів; нейронна мережа; оптимізація обчислювальних ресурсів | |
| dc.subject.udc | 303.711:[531.56:623.4] | |
| dc.title | Evaluation of classification accuracy using feedforward neural network for dynamic objects | |
| dc.title.alternative | Оцінка точності класифікації за допомогою нейромережі прямого поширення динамічних об’єктів | |
| dc.type | Article |