1.2 Метрологическая надежность при распознавании видеоизображений нейронной сетью

Метрологическая надежность нейросети при распознавании видеоизображений является важным показателем при оценке ее качества и достоверности результатов. Для оценки метрологической надежности нейросети необходимо провести ряд экспериментов, в которых оценивается точность распознавания видеоизображений.

Один из способов оценки метрологической надежности нейросети является определение ее доверительного интервала. Доверительный интервал показывает, насколько точен результат распознавания видеоизображений нейросетью и насколько вероятен тот факт, что ответ находится в этом интервале. Если быть точнее это числовой интервал, в пределах которого находится истинное значение параметра генеральной совокупности с определенной вероятностью. Доверительный интервал позволяет оценить, насколько точно была распознана выборка изображений, при условии, что выборка была получена случайным образом и достаточно большого размера.

Другим способом оценки метрологической надежности нейросети является анализ ее ошибок распознавания. После проведения экспериментов можно оценить, сколько раз нейросеть допустила ошибки и в каких местах кода.

Также для оценки метрологической надежности нейросети можно использовать методы статистического анализа, такие как метод максимального правдоподобия или метод Монте-Карло.

Метод максимального правдоподобия довольно широко используется в обучении нейронных сетей при работе с изображениями. Он заключается в том, чтобы оценить параметры модели (в данном случае - нейронной сети) на основе наблюдений (в данном случае - изображений), максимизируя вероятность события. В контексте распознавания изображений он используется для оценки параметров связей между нейронами в сети. Например, он может помочь найти значения весов и смещений, при которых вероятность правильно распознать изображение будет максимальной.

Метод Монте-Карло в распознавании изображений нейросетью включает в себя использование случайных чисел для генерации выборки, которая используется для обучения и тестирования нейросети. В процессе обучения, нейросеть обрабатывает множество случайным образом сгенерированных изображений и использует результаты для корректировки весов. Данный метод используется для снижения вероятности возникновения ложных предсказаний – создания нейросетью неправильных ассоциаций между данными и результатами.

В целом, чтобы обеспечить высокую метрологическую надежность нейросети при распознавании видеоизображений, необходимо провести множественные эксперименты и проанализировать результаты, а также использовать правильные методы оценки и коррекции ошибок.

1.3 Определение нейронной сети

Нейронная сеть - это система, основанная на принципах работы человеческого мозга и способная обрабатывать информацию [3]. Она состоит из большого количества взаимосвязанных узлов (нейронов), каждый из которых получает информацию со своих входов, обрабатывает ее, и передает результаты на выход.

История возникновения нейронных сетей начинается с работы немецкого ученого Варрена Маккулока и его соавтора Уолтера Питтса в 1943 году. Они создали модель нейрона, описывающую, как нейрон может получать и передавать информацию. В 1957 году ученый Фрэнк Розенблатт разработал первый алгоритм обучения нейронной сети, названный "Персептрон". Он позволил нейронной сети распознавать образы изображений.

Этот алгоритм состоит из входного слоя (input layer), в котором находятся признаки входных данных, и выходного слоя (output layer), который выдает итоговый результат в виде бинарной классификации – 0 или 1. Процесс обучения персептрона заключается в настройке весов связей между входным и выходным слоями. При обучении персептрону предоставляются входные данные, которые имеют известную метку класса (0 или 1). Затем персептрон вычисляет выходное значение и делает предсказание о принадлежности данных к определенному классу. Если предсказание неверно, то веса связей между нейронами корректируются таким образом, чтобы уменьшить ошибку классификации. Этот процесс продолжается до тех пор, пока персептрон не достигнет требуемой точности предсказаний.

Математическое представление данного алгоритма, выглядит следующим образом:

где — входные значения, — весовые коэффициенты, b – смещение.

Рисунок 1.1 - Модель нейрона

Начиная с 1980-х годов, с развитием вычислительной техники и большим количеством доступных данных, нейронные сети стали использоваться в областях распознавания речи, компьютерного зрения и машинного перевода.

В 2000-х годах нейронные сети стали успешно применяться в задачах классификации, регрессии, предсказания и генерации данных.

Сегодня нейронные сети являются одной из ключевых технологий в области искусственного интеллекта, и ежегодно происходят новые открытия и находки в этой области.

Нейронная сеть состоит из большого количества соединенных между собой и взаимодействующих нейронов (или узлов), которые составляют несколько слоев. Каждый слой обрабатывает информацию, переданную от предыдущего слоя, и передает информацию следующему слою. Нейроны обрабатывают информацию, используя матрицы весов, которые обучены на основе обучающих данных. Общая структура нейронной сети зависит от ее типа (например, сверточные нейронные сети, рекуррентные нейронные сети, глубокие нейронные сети) и от конкретной задачи, для которой нейронная сеть предназначена.

Рисунок 1.2 – Пример простой нейронной сети

Смещение (bias) является одной из важных частей нейронной сети. Смещение представляет собой параметр, который добавляется к взвешенной сумме входных данных для каждого нейрона в сети. В отличие от весов, которые обычно инициализируются случайными значениями, смещения могут быть установлены на любое начальное значение. Смещение помогает нейронной сети учитывать нелинейности в данных и лучше работать с функциями, которые не проходят через начало координат. Без смещения, нейронная сеть может обнаруживать только линейные зависимости между входными данными и выходными данными, что сильно ограничивает ее возможности. Смещение было одним из ключевых открытий, которые позволили создать более глубокие и более сложные нейронные сети, которые можно использовать для решения более сложных задач.

Рисунок 1.3 - Демонстрация влияния смещений на вычисления

Функция активации является важным элементом нейронной сети. Она определяет, какое значение будет передано на выходной слой каждого нейрона сети. Функция активации может быть линейной или нелинейной. Линейная функция просто передает входное значение, не изменяя его, тогда как нелинейная функция модифицирует входное значение, что позволяет сети лучше выделять сложные закономерности в данных. Существуют различные типы функций активации, такие как сигмоидная, гиперболический тангенс, ReLU (Rectified Linear Unit) и другие. Каждый тип функции активации лучше подходит для определенного типа задач и может влиять на скорость обучения и другие свойства сети.

Рисунок 1.4 – Примеры функций активации