Быстродействие системы

Конфигурация сети приведена в Таблица 1 .3. Ее производительность указана в Таблица 1 .4

Таблица 1.3. Конфигурация тестовой сети

	UG(UC0)	US1	UC1	US2	UC2	US3	UC3	US4	UC4
K	2	112	112	110	110	110	110	14	14
Радиус окрестности	3	4	6	6	6	4	4	4	4
Радиус области конкуренции	-	-	-	3	-	3	-	Весь слой	-

Таблица 1.4. Производительность тестовой сети

Размер входного изображения:		64х64 px
Число входных изображений		10
Обучение
Слой	Число итераций	Время (с)
S1	10	0.432
S2		30.5
S3		38
S4		42
S5		50
Поиск
Размер входного изображения (px)	Шаг смещения фрагментов	Время (мин)
320х130	5	3

Одна итерация процесса состоит из последовательного предъявления сети всех входных изображений по одному разу. Таким образом в ходе одной итерации этой сети веса обучаемого слоя изменяются 10 раз.

Процесс обучения сети обычно предполагает не более 20 итераций на каждом этапе, таким образом среднее время обучения такой сети можно приблизительно оценить как 3-5 минут (имеется в виду процессорное время, без учета действий пользователя: выбор параметров обучения и переход между слоями).

Рост времени поиска линейно зависит от размера входного изображения (при неизменном расстоянии между фрагментами). Это объясняется тем, что число фрагментов равно (W-w)/step_X по горизонтали и (H-h)/step_Y по вертикали (где (W; H) – размер изображения, (w; h) – размер фрагмента), при этом для каждого фрагмента выполняется активация сети, что занимает одинаковое время, независимо от содержимого фрагмента.

Результат поиска на изображении

Рис. 1.16. Тестовые образцы и их порядковые номера

Рис. 1.17. Тестовое изображение

Рис. 1 .17 изображает результат поиска образцов на тестовом изображении без зашумления. Показаны области реагирования нейронной сети с различным порогом сходства.

Рис. 1.18. Поиск масштабированных и зашумленных образцов

Рис. 1 .18 содержит результаты работы программы с зашумленными и искаженными изображениями. В качестве обучающих образцов использовались отрезки размера 64х64. На первых двух изображениях показан различный размер областей обнаружения при разном пороге. Два крайних правых образца наиболее сильно искажены (уменьшены) и первыми пропадают при высоком пороге сходства. На третьем изображении видна потеря качества поиска при зашумлении. Порог сходства невозможно уменьшить сильнее не получив новых ложных вхождений, однако все образцы кроме наиболее близкого к оригиналу перестают распознаваться. Частично эти результаты можно было бы улучшить, сделав меньший шаг между фрагментами (текущий шаг – 5), однако это слишком сильно замедлило бы работу программы.