Применение нечётких нейронных сетей для определения типа кристаллических решёток, наблюдаемых на наномасштабных изображениях
Солдатова О.П., Лёзин И.А., Лёзина И.В., Куприянов А.В., Кирш Д.В.

Самарский государственный аэрокосмический университет имени академика С.П. Королёва
(национальный исследовательский университет) (СГАУ), Самара, Россия,
Институт систем обработки изображений РАН, Самара, Россия

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