АНАЛІЗ РОБОТИ ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ МЕТОДОМ ШВИДКОГО ПЕРЕТВОРЕННЯ ФУР'Є З ВИКОРИСТАННЯМ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ C#
Ключові слова:
глибокі нейронні мережі, машинне навчання, швидке перетворення Фур'є, спектральний аналіз, C#Анотація
У статті обговорюється використання методів перетворення Фур'є для аналізу продуктивності глибоких нейронних мереж з допомогою програмного забезпечення C#. Глибокі нейронні мережі стали одним із найважливіших інструментів у галузі машинного навчання, але їх внутрішні процеси, як і раніше, важко зрозуміти та аналізувати. Перетворення Фур'є — потужний математичний інструмент, що дозволяє аналізувати сигнали в частотній області, що дозволяє виявляти приховані періодичні компоненти та структури сигналів, що генеруються нейронами. У статті висвітлено теоретичні основи перетворення Фур'є, його застосування для аналізу сигналів у глибоких нейронних мережах, а також докладно розглянуто програмну реалізацію цих методів мовою програмування C#. Зокрема, бібліотеки числових обчислень, такі як MathNet.Numerics, використовуються для ефективного дискретного перетворення Фур'є (ДПФ). Наведені експериментальні результати показують, як перетворення Фур'є можна використовувати для аналізу вихідних даних нейронних мереж на різних етапах навчання, виявлення частотних характеристик та оптимізації архітектури мережі. На основі проведених досліджень зроблено висновки щодо ефективності використання методів перетворення Фур'є для покращення розуміння роботи глибоких нейронних мереж та їх оптимізації.
Посилання (Бібліографія)
В.А. Головко, А.А. Крощенко. Метод навчання нейронної мережі Deep Trust та застосування для візуалізації даних // Комп’ютерно-інтегровані технології: освіта, виробництво – 2015, № 19, ст. 6-12.
Є.Є Федоров, О.В. Нечипоренко, Т.Й. Уткіна та Я.В. Корпан. Моделі та методи комп’ютерного системного розпізнавання зорових образів: монографія – Черкаси: ЧДТУ, 2021. – с. 482.
P. Janchuk. Data processing in the boundary value segment of fourier series // The XV International Scientific and Practical Conference Distance learning: problems, ways of development and the latest technologies – Munich, Germany, December 25-27 2023, 259-264 pp.
Properties of Fourier Transforms. URL: https://bookdown.org/vshahrez/lecture-notes/properties-of-fourier-transforms
Varsha Nair, Moitrayee Chatterjee. Fast Fourier Transformation for Optimizing Convolutional Neural Networks in Object Recognition // 19th IEEE International Conference on Machine Learning and Applications – 14-17 December 2020, 136-146 pp.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition. // IEEE conference on computer vision and pattern recognition – 2016, 770–778 pp.
Hadhrami Ab. Ghani El. A review on sparse Fast Fourier Transform applications in image processing // International Journal of Electrical and Computer Engineering – 2020, 1346-1351 pp.
Fourier and related linear integral transforms. URL: https://numerics.mathdotnet.com/IntegralTransforms
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Олександр Тимощук, Петро Янчук
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
