Гибридная модель распознавания для инвариантных и вариантных образов

A hybrid model of identification for invariant and variant patterns

Жетимекова Г.Ж.

24.05.2015 2353

№ 4-5 (17)

10. Информатика, вычислительная техника и управление

Цитировать:

Жетимекова Г.Ж. Гибридная модель распознавания для инвариантных и вариантных образов // Universum: технические науки : электрон. научн. журн. 2015. № 4-5 (17). URL: https://7universum.com/ru/tech/archive/item/2156 (дата обращения: 18.08.2026).

Прочитать статью:

Keywords: neuron net, pattern identification, education, network architecture, hybrid model, analysis

АННОТАЦИЯ

В статье рассматривается гибридная модель распознавания для инвариантных и вариантных образов. Распознавание образов в известном смысле независимо от позиции, размера, яркости и ориентации в визуальном пространстве было целью обширного текущего исследования. Для достижения максимальной утилизации и гибкости, используемые методы должны быть нечувствительны к небольшим изменениям форм и обеспечивать лучшее выполнение при повторных испытаниях.

ABSTRACT

The article deals with a hybrid model of identification for invariant and variant patterns. Identification of the pattern was the goal of this extensive study, in a certain sense, regardless of position, size, brightness and orientation in visual space. To achieve maximum utilization and flexibility, used methods should be insensitive to small changes of forms and ensure the best execution in retesting.

Список литературы

1.   Dony R.D., Haykin S. Image segmentation using a mixture of principal components representation // Proc. Inst. Elect. Eng.—Vis. Image Signal Processing. — 1997. — Vol. 144. — PP. 73—80.
2.   Kambhatla N., Lee T.K. Dimension reduction by local principal component analysis // Neural Comput. — 1997. — Vol. 9. — PP. 1493—1516.
3.   Kohonen T. Generalizations of the self-organizing map. — Nagoya, 1993.
4.   Kohonen T., Kaski S., Lappalainen H. Self-organized formation of various invariant-feature filters in the adaptive subspace SOM // Neural Comput. — 1997. — Vol. 9. — PP. 1321—1344.
5.   Kohonen T., Oja E., Simula O. et al. Engineering applications of the self-organizing map // Proc. IEEE. — 1996. — Vol. 84. — PP. 1358—1384.
6.   Sanger T.D. Optimal unsupervised learning in a single-layer linear feedforward neural network // Neural Networks. — 1989. — Vol. 2. — PP. 459—473.

Информация об авторах