Neurobiological properties of the structure of the parallel-hierarchical network and its usage for pattern recognition

• Autorzy: Timchenko, Leonid , Kokriatskaia, Natalia , Tverdomed, Volodymyr , Horban, Anatolli , Sobovyi, Oleksandr , Pogrebniak, Liudmyla , Burlaka, Nelia , Didenko, Yurii , Kozyr, Maksym , Kozbakova, Ainur

Warianty tytułu

PL

Neurobiologiczne właściwości struktury sieci równoległo-hierarchicznej i jej wykorzystanie do rozpoznawania wzorców

• Języki publikacji: EN

Abstrakty

EN

The paper presents the analysis of neurobiological data on the existence of the structure of a parallel-hierarchical network. Discussed method of parallel-hierarchical transformation based on population coding and its application for the pattern recognition task. Based on the analysis, we can conclude that using the methods proposed, it is possible to measure the geometric parameters and properties of images, which can significantly increase the efficiency of processing, in particular estimating the center of mass based on moment characteristics. Experimental results demonstrate that due to various destabilizing factors, accurately measuring the energy center coordinates of laser beam spot images is challenging. However, training the PI network and classifying the fragments into "good" and "bad" can considerably enhance the accuracy of these measurements.

PL

W artykule przedstawiono analizę danych neurobiologicznych dotyczących istnienia struktury sieci równoległo-hierarchicznej. Omówiono metodę transformacji równoległo-hierarchicznej opartej na kodowaniu populacyjnym i jej zastosowanie do zadania rozpoznawania wzorców. Na podstawie przeprowadzonej analizy można stwierdzić, że za pomocą zaproponowanych metod można mierzyć parametry geometryczne i właściwości obrazów, co może znacznie zwiększyć wydajność przetwarzania, w szczególności szacowania środka masy na podstawie charakterystyki momentu. Wyniki eksperymentalne pokazują, że ze względu na różne czynniki destabilizujące, dokładny pomiar współrzędnych środka energii obrazów plamki wiązki laserowej jest trudny. Jednak szkolenie sieci PI i klasyfikowanie fragmentów na „dobre” i „złe” może znacznie zwiększyć dokładność tych pomiarów.

Słowa kluczowe

PL

sieć równoległo-hierarchiczna; kodowanie populacji; zadanie rozpoznawania wzorców; laser; centrum obrazów; postępowanie z obrazami

EN

parallel-hierarchical network; population coding; pattern recognition task; laser; center of images; proceeding of images

• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 3
• Strony: 35--38
• Opis fizyczny: Bibliogr. 18 poz., wykr.

Twórcy

autor

Timchenko, Leonid

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Kokriatskaia, Natalia

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Tverdomed, Volodymyr

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Horban, Anatolli

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Sobovyi, Oleksandr

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Pogrebniak, Liudmyla

• Kruty Heroes Military Institute of Telecommunications and Information Technologies, Kyiv, Ukraine,

autor

Burlaka, Nelia

• Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University, Vinnytsia, Ukraine,

autor

Didenko, Yurii

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Kozyr, Maksym

• State University of Infrastructure and Technology, Kyiv, Ukraine,

autor

Kozbakova, Ainur

• Almaty Technological University; Institute of Information and Computational Technologies CS MHES, Almaty, Kazakhstan,

Bibliografia

• [1] Avrunin O. G. et al.: Research Active Posterior Rhinomanometry Tomography Method for Nasal Breathing Determining Violations. Sensors 21, 2021, 8508 [https://doi.org/10.3390/s21248508].
• [2] Avrunin O. G. et al.: Features of image segmentation of the upper respiratory tract for planning of rhinosurgical surgery. IEEE 39th International Conference on Electronics and Nanotechnology – ELNANO 2019, 485–488.
• [3] Chapelle O., Manavoglu E., Rosales R.: Simple and scalable response prediction for display advertising. Transactions on Intelligent Systems and Technology – TIST 5(4), 2015, 2015, 1–34.
• [4] Comaniciu D., Ramesh V., Meer P.: Real-Time Tracking of Non-Rigid Objects Using Mean Shift. Conference on CVPR, 2, 2000, 1–8.
• [5] Kukharchuk V. V. et al.: Features of the angular speed dynamic measurements with the use of an encoder. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska – IAPGOS 12(3), 2022, 20–26.
• [6] Kuusilinna K. et al.: Configurable parallel memory architecture for multimedia computers. Journal of Systems Architecture 47(14–15), 2002, 1089–1115.
• [7] Kvуetnyy R. et al.: Inverse correlation filters of objects features with optimized regularization for image processing. Proc. SPIE 12476, 2022, 124760Q.
• [8] Lanitis A., Taylor C. J., Cootes T. F.: Automatic Face Identification System Using Flexible Appearance Models. Image and Vision Computing 13(5), 1995, 393–401.
• [9] Orazayeva A. et al.: Biomedical image segmentation method based on contour preparation. Proc. SPIE 12476, 2022, 1247605.
• [10] Rabinovich Z. L., Voronkov G. S.: Representation and processing of knowledge in the interaction of human sensory and linguistic neurosystems. Cybernetics and System Analysis 2, 1998, 3–11.
• [11] Romanyuk O. et al.: A function-based approach to real-time visualization using graphics processing units. Proc. SPIE 11581, 2020, 115810E.
• [12] Sree Vani M.: Prediction of Mobile Ad Click Using Supervised Classification Algorithms. International Journal of Computer Science and Information Technologies 7(2), 2016, 623–625.
• [13] Timchenko L. I. et al.: Multi-stage parallel-hierarchical network as a model of a neural-like computing scheme. Cybernetics and system analysis 2, 2000, 114–134.
• [14] Timchenko L. et al.: New methods of network modelling using parallel-hierarchical networks for processing data and reducing erroneous calculation risk. CEUR Workshop Proceedingsthis link is disabled 2805, 2020, 201–212.
• [15] Tymchenko L. et al.: Development of a method of processing images of laser beam bands with the use of parallelhierarchic networks. Eastern-European Journal of Enterprise Technologiesthis link is disabled 6(9-102), 2019, 21–27.
• [16] Vasilevskyi O. M.: Assessing the level of confidence for expressing extended uncertainty: a model based on control errors in the measurement of ion activity. Acta IMEKO 10(2), 2021, 199–203.
• [17] Vasilevskyi O. et al.: A new approach to assessing the dynamic uncertainty of measuring devices. Proc. SPIE 2018, 10808, 108082E.
• [18] Wójcik W. et al.: Information Technology in Medical Diagnostics II. Taylor & Francis Group.CRC Press, Balkema Book, London 2019.

Identyfikatory

DOI

10.35784/iapgos.6212