Адаптация нейросетевого классификатора к неустойчивым входным данным

Сегодня задачи классификации решаются, как правило, с применением нейронных сетей. В то же время при выборе архитектуры сети особое внимание уделяется сжимающим слоям, а архитектура многослойного персептрона выбирается интуитивно, хотя качество решения во многом зависит от вида разделяющей поверхности. В статье предлагается алгоритм проверки эффективности архитектуры многослойного персептрона на основе анализа свойств входных данных. Алгоритм основан на специальном, разработанном авторами, числовом показателе эффективности архитектуры нейронной сети – коэффициенте перекоса. Коэффициент рассчитывается на основе матрицы несоответствий, что не требует большого объема вычислений. Экспериментально показано, что выбор правильной архитектуры классификатора может повысить качество решения на 50 %.

1. Zhuang H., Lin Zh., Yang Y., Toh K.-A. (2025) An Analytic Formulation of Convolutional Neural Network Learning for Pattern Recognition. Information Sciences. Elsevier. 686. https://doi.org/10.1016/j.ins.2024.121317.

2. Li Z., Yu Y., Yin Ch., Shi Y. (2025) AdaNet: A Competitive Adaptive Convolutional Neural Network for Spect ral Information Identification. Pattern Recognition. Elsevier. 163. https://doi.org/10.1016/j.patcog.2025.111472.

3. Talebzadeh H., Talebzadeh M., Satarpour M., Jalali F., Farhadi B., Vahdatpour M. S. (2024) Enhancing Breast Cancer Diagnosis Accuracy Through Genetic Algorithm-Optimized Multilayer Perceptron. Multiscale and Multidisciplinary Modeling, Experiments and Design. 7 (4), 4433–4449. https://doi.org/10.1007/s41939024-00487-3.

4. Gao Y., Hu Z., Chen W. A., Liu M., Ruan Y. (2025) A Revolutionary Neural Network Architecture with Interpretability and Flexibility Based on Kolmogorov-Arnold for Solar Radiation and Temperature Forecasting. Applied Energy. Elsevier. 378 (A). https://doi.org/10.1016/j.apenergy.2024.124844.

5. Du J., Zeng J., Chen Ch., Ni M., Guo Ch., Zhang Sh., et al. (2025) Acoustic Emission Monitoring for Damage Diagnosis in Composite Laminates Based on Deep Learning with Attention Mechanism. Mechanical Systems and Signal Processing. Elsevier. 222. https://doi.org/10.1016/j.ymssp.2024.111770.

6. Altalhan M., Algarni A., Alouane M. T. H. (2025) Imbalanced Data Problem in Machine Learning: A Review. IEEE Access. 13, 13686–13699. http://doi.org/10.1109/ACCESS.2025.3531662.

7. Krasnoproshin V. V., Matskevich V. V. (2024) Random Search in Neural Networks Training. Pattern Recognition and Image Analysis. 34 (2), 309–316. http://dx.doi.org/10.1134/S105466182470010X.

8. Heydarian M., Doyle T. E., Samavi R. (2022) MLCM: Multi-Label Confusion Matrix. IEEE Access. 10, 19083–19095. http://dx.doi.org/10.1109/ACCESS.2022.3151048.

9. Zhou X., Bu Q., Matskevich V., Nedzved A. (2024) Landscape’s Non-Natural Changes Detection System by Satellites Images Based on Local Areas. Pattern Recognition and Image Analysis. 34 (2), 365–378. http://dx.doi.org/10.1134/S1054661824700159.

10. Krasnoproshin V. V., Matskevich V. V. (2023) Neural Network Software Technology Trainable on the Random Search Principles. Open Semantic Technologies for Intelligent Systems, Research Papers Collection. 7, 133–140.