PHƯƠNG PHÁP HỌC BAYES TRONG MẠNG NƠ RON TẾ BÀO RỜI RẠC ỨNG DỤNG CHO XỬ LÝ ẢNH

Nguyễn Quang Hoan; Nguyễn Ngọc Quỳnh Châu

doi:10.34238/tnu-jst.12343

PHƯƠNG PHÁP HỌC BAYES TRONG MẠNG NƠ RON TẾ BÀO RỜI RẠC ỨNG DỤNG CHO XỬ LÝ ẢNH

Thông tin bài báo

Ngày nhận bài: 19/03/25 Ngày hoàn thiện: 30/06/25 Ngày đăng: 30/06/25

Các tác giả

1. Nguyễn Quang Hoan, Trường Đại học Thủy Lợi Hà Nội
2. Nguyễn Ngọc Quỳnh Châu , Trường Đại học Thủy Lợi Hà Nội

Tóm tắt

Bài báo này tập trung vào việc đào tạo các hệ số của mạng nơ-ron tế bào rời rạc bằng cách sử dụng học Bayes. Trong phương pháp này, phân phối tiên nghiệm được xác định theo thông tin có từ trước. Sau khi quan sát được thực hiện và sử dụng phân phối tiên nghiệm, phân phối hậu nghiệm sẽ được tính theo định lý Bayes với giả thiết rằng phân phối tiên nghiệm tuân theo phân phối chuẩn Gauss. Phương pháp chuỗi Markov Chain Monte Carlo, cụ thể là phương pháp Metropolis-Hastings, được sử dụng để tạo ra các mẫu ngẫu nhiên tương ứng với phân phối hậu nghiệm, nhờ đó giúp đánh giá được hệ số mẫu của mạng nơ-ron tế bào rời rạc. Thuật toán Metropolis-Hastings được chúng tôi chỉnh sửa để giảm thời gian của quá trình ước tính hệ số. Sử dụng các hệ số thu được từ ước tính này, một số thí nghiệm xử lý hình ảnh được triển khai. Chi tiết hơn, chúng tôi nhắm tới kích thước của mạng cần huấn luyện. Sử dụng dữ liệu đào tạo thu được từ kỹ thuật chưng cất, chúng tôi thấy rằng việc huấn luyện một mạng nơ-ron tế bào rời rạc có kích thước nhỏ hơn bằng phương pháp vừa nêu trong xử lý ảnh cũng đem lại kết quả tương đương với việc huấn luyện một mạng có kích thước lớn hơn. Nhờ đó ta có thể giảm thời gian huấn luyện, dẫn tới giảm chi phí huấn luyện và tăng hiệu quả huấn luyện của mạng nơ-ron tế bào rời rạc.

Từ khóa

Mạng nơ ron tế bào; Học Bayes; Metropolis-Hasting; Dò biên; Kích thước mạng

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] L. O. Chua and L. Yang, “Cellular Neural Networks: Theory,” IEEE T. Circuits Syst., vol. 35, pp. 1257-1272, 1988.

[2] L. O. Chua and L. Yang, “Cellular Neural Networks: Applications,” IEEE T. Circuits Syst., vol. 35, pp. 1273-1290, 1988.

[3] K. Kim, S. Lee, J. Y. Kim, M. Kim, and H. J. Yoo, “A Configurable Heterogeneous Multicore Architecture With Cellular Neural Network For Real-time Object Recognition,” IEEE T. Circ. Syst. Vid., vol. 19, no. 11, pp. 1612-1622, 2009.

[4] G. Costantini, D. Casali, and M. Carota, “CNN-Based Unsupervised Pattern Classification For Linearly And Non Linearly Separable Data Sets,” WSEAS Transactions on Circuits and Systems, vol. 4, no. 5, pp. 448-452, 2005.

[5] A. Kananen, A. Paasio, M. Laiho, and K. Halonen, “CNN Applications From The Hardware Point Of View: Video Sequence Segmentation,” International Journal of Circuit Theory and Applications, vol. 30, no. 2-3, pp. 117-137, 2002.

[6] J. A. Nossek, “Design And Learning With Cellular Neural Networks,” in Third IEEE International Workshop on Cellular Neural Networks and their Applications, Rome, 1994, pp. 137-146.

[7] M. Vinyoles-Serra, S. Jankowski, and Z. Szymanski, “Cellular Neural Network Learning Using Multilayer Perceptron,” in 20th European Conference on Circuit Theory and Design, Linkping, 2011, pp. 214-217.

[8] C. Güzeliş and S. Karamahmut, “Recurrent Perceptron Learning Algorithm For Completely Stable Neural Networks,” in Third IEEE International Workshop on Cellular Neural Networks and their Applications, Rome, 1994, pp. 177-182.

[9] T. Kozek, T. Roska, and L. O. Chua, “Genetic Algorithm For CNN Template Learning,” IEEE T. Circuits Syst., vol. 40, no. 6, pp. 392-402, 1993.

[10] M. Ünal, M. Onat, and A. Bal, “Cellular Neural Network Training By Ant Colony Optimization Algorithm,” in IEEE 18th Signal Processing and Communications Applications Conference, Diyarbakır, 2010, pp. 1661-1666.

[11] H. M. Özer, A. Özmen, and H. Şenol, “Bayesian Estimation Of Discrete-time Cellular Neural Network Coefficients,” Turkish Journal of Electrical Engineering & Computer Sciences, vol. 25, pp. 2363 – 2374, 2017.

[12] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Teller, “Equations Of State Calculations By Fast Computing Machines,” J. Chem. Phys., vol. 21, pp. 1087-1092, 1953.

[13] W. K. Hastings, “Monte Carlo Sampling Methods Using Markov Chains And Their Applications,” Biometrika, vol. 57, pp. 97-109, 1970.

[14] S. Arik, “Stability Analysis Of Dynamical Neural Networks,” PhD. Thesis, South Bank University, UK, 1997.

[15] R. M. Neal, “Bayesian Learning For Neural Networks,” PhD. Thesis, University of Toronto, Canada, 1995.

[16] D. J. C. MacKay, Information Theory, Inference and Learning Algorithms, UK: Cambridge University Press, Cambridge, 2003.

[17] C. M. Bishop, Pattern Recognition and Machine Learning, USA: Springer, 2006.

[18] DeepSeek Team, “DeepSeek-R1: Incentivizing Reasoning Capability In LLMs Via Reinforcement Learning Computation And Language,” arXiv:2501.12948, 2025. [Online]. Available: https://arxiv.org/abs/2501.12948. [Accessed March 15, 2025].

DOI: https://doi.org/10.34238/tnu-jst.12343

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ