English
!

Доклады

Моделирование хаотического движения видео с помощью нелинейных авторегрессионных нейронных сетей

Лин П.В.

Московский государственный технологический университет (СТАНКИН), Россия, 127055, Москва, Вадковский переулок, +7 999 904 79 08, phyowailinnmipt@gmail.com

В настоящее время хаотические сигналы широко используются во многих областях. Хаотические сигналы могут быть выражены в виде нелинейного уравнения, такого как нечеткая модель, ANN, серия Вольтерра или модель Винера-Хаммера - Штейна[1-3]. Это исследование направлено на получение такого же поведения с помощью методов искусственного интеллекта для моделирования хаотического движения с использованием данных, полученных из видеозаписи движения объекта, который не может быть смоделирован математически. Будет установлено поведение предложенной модифицированной хаотической системы Лоренца в фазовом пространстве[4]. Отслеживание любого объекта на видео обеспечивается определением положения объекта на изображении. В данном исследовании используется метод сопоставления шаблонов. Сопоставление может быть выполнено в формате RGB, а также операции в серой форме, когда изображение берется в видео; изображение преобразуется в двоичный уровень и преобразуется из цветного в серый.

Однослойной ANN недостаточно для моделирования хаотической системы. Будет использоваться многослойная ANN. Каждое входное значение, которое достигает входного слоя, может быть умножено на вес в скрытом слое, чтобы достичь нейрона в скрытом слое. Значение каждого нейрона, достигающего скрытого слоя, является входом следующего выходного слоя через определенный процесс. Структура NAR предпочтительна, потому что входы являются единичными задержанными входами выходов непосредственно. Чтобы обучить хаотическому поведению объекта на видео, сначала информация о местоположении была взята из видео, как описано во второй части объекта. Затем эта информация о местоположении была передана ANN в структуру NAR. Левенберг-Марквардт был выбран в качестве алгоритма обратного распространения для обучения этой сети. В результате хаотическое поведение, моделируемое ANN, может использоваться взаимозаменяемо, поскольку оно может отображать те же характеристики и ожидаемое поведение, что и реальная хаотическая система.

Литература

1. L. P. Maguire, Liam P. Predicting a chaotic time series using a fuzzy neural network- Canada: Information Sciences, vol. 112(1-4), 1998. p. 125-136.

2. J. C. P. A. R. J.-M. Kuo .Prediction of Chaotic Time Series with Neural Networks-Singapore: International Journal of Bifurcation and Chaos, 1992. pp. 989-996.

3. P. Gmez-Gil, J. M. Ramrez-Cortes, S. E. Pomares Hernndez, and V. Alarcn-Aquino, "A Neural Network Scheme for Long-Term Forecasting of Chaotic Time Series," Netherland: Neural Processing Letters. vol. 33, no. 3 . 2011. pp. 215-233.

4. K. Rajagopal, A. Akgul, I. M. Moroz, Z. Wei, S. Jafari, and I. Hussain, "A simple chaotic system with topologically different attractors," IEEE Access, vol. 7. 2019. pp. 36-47.

5. Murat E C, Zeynep B G, Muhammed A P, Ali F B, and Akif A “Modelling of a chaotic system motion in video with artificial neural networks” Turkey: Chaos theory and applications Volume 01, Number 1. 2019, Pages 38-50.

Материалы доклада

© 2004 Дизайн Лицея Информационных технологий №1533