Аннотация:
В данной статье для определения пересекающихся классов кристаллических решёток предлагается использовать нечёткие нейронные сети. Рассматриваются нечёткая нейронная сеть Такаги–Сугено–Канга и разработанная авторами модификация нечёткой нейронной сети Ванга–Менделя. Предложена трёхэтапная методика обучения нейронных сетей. Показана эффективность использования моделей нечётких нейронных сетей для определения типов кристаллических решёток.

Ключевые слова :
распознавание образов, наномасштабные изображения, наноструктуры, кристаллическая решётка, нечёткие нейронные сети, сеть Такаги–Сугено–Канга, сеть Ванга–Менделя.

Цитирование:
Солдатова, О.П. Применение нечётких нейронных сетей для определения типа кристаллических решёток, наблюдаемых на наномасштабных изображениях / О.П. Солдатова, И.А. Лёзин, И.В. Лёзина, А.В. Куприянов, Д.В. Кирш // Компьютерная оптика. – 2015. – Т. 39, № 5. – С. 787-795. – DOI: 10.18287/0134-2452-2015-39-5-787-794.

Литература:

1. Tilley, R. Crystals and crystal structure / R. Tilley. – West Sussex: John Wiley & Sons Ltd, 2006. – P. 17-32.
2. Kessler, E.G. Precision comparison of the lattice parameters of silicon monocrystals / E.G. Kessler, A. Henins, R.D. Deslattes, L. Nielsen, M. Arif // Journal of Research of the National Institute of Standards and Technology. – 1994. – Vol. 99, N 1. – P. 1-18.
3. Smith, W.F. Foundations of Materials Science and Engineering / W. F. Smith. – NY: McGraw-Hill, 2004. – P. 67-107.
4. Patera, J. Centered cubic lattice method comparison / J. Patera, V. Skala // Proceedings of algoritmy. – 2005. – P. 309-319.
5. Hammond, C. The basic of crystallography and diffraction, 3rd ed. / C. Hammond // Oxford University Press, 2009. – P. 55-83.
6. Сойфер, В.А. Анализ и распознавание наномасштабных изображений: традиционные подходы и новые постановки задач / В.А. Сойфер, А.В. Куприянов // Компьютерная оптика. – 2011. – Т. 35, № 2. – C. 136-144.
7. Kirsh, D.V. Crystal lattice identification by coordinates of their nodes in three dimensional space / D.V. Kirsh, A.V. Kupriyanov // Pattern Recognition and Image Analysis. – 2015. – Vol. 25, Issue 3. – P. 456-460.
8. Куприянов, А.В. Оценка меры схожести кристаллических решёток по координатам их узлов в трёхмерном пространстве / А.В. Куприянов, Д.В. Кирш // Компь­ютер­ная оптика. – 2012. – Т. 36, № 4. – С. 590-595.
9. Куприянов, А.В. Анализ текстур и определение типа кристаллической решётки на наномасштабных изображениях / А.В. Куприянов // Компьютерная оптика. – 2011. – Т. 35, № 2. – С. 151-157.
10. Лёзина, И.В. Исследование идентифицирующих свойств нечёткого многослойного персептрона / И.В. Лё­зина, А.Е. Краснов // Известия Самарского научного центра Российской академии наук. – 2014. – Т. 16, № 4(2). – С. 340-343.
11. Лёзин, И.А. Автоматизированная система классификации конструкторско-технологических элементов деталей с использованием баз знаний / И.А. Лёзин, Д.Е. Маркелов // Главный механик. – 2014. – № 5. – С. 38-41.
12. Солдатова, О.П. Многофункциональный имитатор нейронных сетей / О.П. Солдатова // Программные продукты и системы. – 2012. – № 3. – С. 27-31.
13. Солдатова, О.П. Решение задачи классификации при принятии управленческих решений в условиях нечёткости исходных данных с использованием гибридного нейронечёткого классификатора / О.П. Солдатова, А.Н. Да­ни­ле­нко // Известия Самарского научного центра Российской академии наук. – 2014. – Т. 16, № 4(2). – С. 350-358.
14. Солдатова, О.П. Классификация потока системных ошибок с помощью гибридной модификации нейронной сети Ванга–Менделя / О.П. Солдатова, Е.М. Пудикова // Известия Самарского научного центра Российской академии наук. – 2014. – Т. 16, № 4(2). – С. 359-366.
15. Vineetha, S. MicroRNA-mRNA interaction network using TSK-type recurrent neural fuzzy network / S. Vineetha, C.C.S. Bhat, S.M. Idicula // Gene. – 2013.– Vol. 515, Issue 2. – P. 385-390.
16. Кипер, А.В. Разработка нечеткого классификатора на базе нечеткой системы Сугено для определения ранга пожара на территории морского порта / А.В. Кипер, Т.С. Станкевич // Вестник Астраханского го­су­дар­ствен­но­го тех­нического университета. Серия: Морская техника и технология. – 2012. – №. 2. – С. 18-25.
17. Катасёв, А.С. Математическое обеспечение и программный комплекс формирования нечётко-продукционных баз знаний для экспертных диагностических систем / А.С. Ка­тасёв // Фундаментальные исследования. – 2013. – № 10(9). – С. 1922-1927.
18. Осовский, С. Нейронные сети для обработки информации / С. Осовский; пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.
19. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилинь­ский, Л.Рутковский, пер. с польского И.Д. Рудинского. –М.: «Горячая линия – Телеком», 2006. – 452 с.
20. Новак, В. Математические принципы нечёткой логики / В. Новак, И. Перфильева, И. Мочкорж; пер. с англ. – М: Физматлит, 2006. – 352 с.
21. Солдатова, О.П. Решение задачи классификации с использованием нечётких нейронных продукционных сетей на основе модели вывода Мамдани–Заде / О.П. Солдатова, И.А. Лёзин // Вестник Самарского государственного технического университета. Серия: Физико-математические науки. – 2014. – № 2(35). – C. 136-148.
22. Shirokanev, A.S. Researching methods of reconstruction of three-dimensional crystal lattice from images of projections/ A.S. Shirokanev, D.V. Kirsh, A.V. Kupriyanov // CEUR Workshop Proceedings. – 2015. – Vol. 1490. – P. 290-297.
23. Kirsh, D.V. Modeling and Identification of Centered Crystal Lattices in Three-Dimensional Space / D.V. Kirsh, A.V. Kupriyanov // CEUR Workshop Proceedings. – 2015. – Vol. 1490. – P. 162-170.
24. Kupriyanov, A.V. Estimation of the Crystal Lattice Similarity Measure by Three-Dimensional Coordinates of Lattice Nodes / A.V. Kupriyanov, D.V. Kirsh // Optical Memory & Neural Networks (Information Optics). – 2015. – Vol. 24, Issue 2. – P. 145-151.
25. Kirsh, D.V. Identification of Three-Dimensional Crystal Lattices by Estimation of Their Unit Cell Parameters / D.V. Kirsh, A.V. Kupriyanov // Supplementary Proceedings of the 4th International Conference on Analysis of Images, Social Networks and Texts (AIST'2015). – 2015. – P. 40-45.

---

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E mail: ko@smr.ru; Phones: +7 (846) 332 56 22, Fax: +7 (846) 332 56 20