Всесторонний обзор применения искусственных нейронных сетей для распознавания образов

Эра искусственных нейронных сетей (ИНС) началась с их упрощённого применения во многих областях и выдающихся успехов в распознавании образов (РО), в том числе в обрабатывающей промышленности. Несмотря на значительный прогресс и проведённые исследования, посвящённые решению задач применения ИНС к РО, некоторые проблемы остаются нерешёнными, например произвольная ориентация — неизвестная траектория, которую невозможно точно вычислить из-за её направленного положения. К другим проблемам относятся классификация объектов, определение их местоположения, масштабирование, анализ поведения нейронов в скрытых слоях, сопоставление правил и сопоставление шаблонов. Кроме того, недостаток существующей литературы по вопросам, связанным с применением ИНС к РО, по-видимому, сдерживает концентрацию исследований и прогресс в этой области. Поэтому необходим современный обзор применения нейронных сетей к РО, который позволит оперативно решить перечисленные проблемы и обеспечить дальнейшее развитие. Исследование даёт читателям более чёткое представление о современных и новых тенденциях в моделях ИНС, эффективно решающих задачи РО, а также способствует определению приоритетных направлений и тем исследований. Всесторонний обзор также выявляет разнообразные области успешного применения моделей ИНС в задачах РО. Для оценки эффективности моделей ИНС были рассмотрены несколько статистических показателей, использовавшихся в предыдущих исследованиях, включая среднюю абсолютную процентную ошибку (MAPE), среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE) и дисперсию абсолютной процентной ошибки (VAPE). Результаты показывают, что современные модели ИНС, включая генеративно-состязательные сети (GAN), многослойные автокодировщики (SAE), глубокие сетные убеждения (DBN), машины Больцмана с ограничениями (RBM), рекуррентные нейронные сети (RNN), сети на радиально-базисных функциях (RBFN), вероятностные нейронные сети (PNN), сверточные нейронные сети (CNN), однослойные перцептроны (SLP), многослойные перцептроны (MLP), многослойные нейронные сети (MLNN), модели резервуарных вычислений и модели Transformer, демонстрируют отличные результаты при решении задач РО. Поэтому исследование рекомендует одновременно сосредоточить внимание на современных моделях и разрабатывать новые модели для достижения дальнейших успехов в этой области.