У даній роботі на основі мультишарової нейронної мережі досліджено вплив кількості прихованих шарів, числа нейронів у них та типів активаційних функцій на точність класифікації снарядів шістьох типів (А – (а-боєприпаси); А/М – (а/м-боєприпаси; А/Р – (бронебійні); А/РС – (бронебійно-набивні); М – (m-боєприпаси); Р – (бронебійні боєприпаси)), яка оцінюється матрицею помилок. Зокрема, побудовані матриці помилок для оцінки точності класифікації снарядів шістьох типів (А – (а-боєприпаси); А/М – (а/м-боєприпаси; А/Р – (бронебійні); А/РС – (бронебійно-набивні); М – (m-боєприпаси); Р – (бронебійні боєприпаси) мультишаровим нейронним перцептроном з одним, двома та трьома прихованими шарами та функціями активацій: Logistic, Tanh, Relu, Softmax відповідно. Встановлено, що найвища точність класифікації снарядів досягається за допомогою нейромережі з двома прихованими шарами з кількістю нейронів у першому прихованому шарі 33 з функцією активації tanh та 8–ми нейронами з функцією ативації Tanh у другому прихованому шарі та Softmax для нейронів вихідног шару.
- Крстініч, Д., Бравіч, М., Шеріч, Л., та Божіч-Штуліч, Д. (2020). Оцінка продуктивності багато- етикеткового класифікатора з використанням матриці помилок. Комп'ютерні науки та інформаційні техно- логії, 1, 1–14. DOI:10.5121/csit.2020.100801
- Сю, Ж., Чжан, Ї., та Мяо, Д. (2020). Трьохстороння матриця помилок для класифікації: вимірювальний погляд. Інформаційні науки, 507, 772–794. DOI:10.1016/j.ins.2019.06.064
- Хейдаріан, М., Дойл, Т. Е., та Самаві, Р. (2022). MLCM: Багатоетикеткова матриця помилок. IEEE Access, 10, 19083–9095. DOI:10.1109/ACCESS.2022.3151048
- Вуєвіч, Ж. (2021). Метрики оцінки моделей класифікації. Міжнародний журнал передових комп’ютерних наук і застосувань, 12(6), 599–606. DOI:10.14569/IJACSA.2021.0120670
- Хаснайн, М., Паша, М. Ф., Гані, І., Імран, М., Аль-Захрані, М. Й., та Будіарто, Р. (2020). Оцінка передбачення довіри та міри матриці помилок для ранжування веб-сервісів. IEEE Access, 8, 90847–90861. DOI:10.1109/ACCESS.2020.2994222
- Чжоу, С., та Дель Валле, А. (2020, березень). Діапазонна матриця помилок для класифікації дисбалансованих часових рядів. У 2020 6-й конференції зі науки про дані та застосувань машинного навчання (CDMA) (стор. 1–6). IEEE. DOI:10.1109/CDMA47397.2020.00006
- Санні, Р. Р., та Гурупрасад, Х. С. (2021). Аналіз метрик продуктивності пацієнтів з серцевою недостатністю за допомогою Python та алгоритмів машинного навчання. Глобальні переходи: матеріали конференцій, 2(2), 233–237. DOI:10.1016/j.gltp.2021.08.028
- Гупта, А., Пармар, Р., Сурі, П., та Кумар, Р. (2021, грудень). Визначення точності штучних інтелектуальних моделей за допомогою Python та R-Studio. У 2021 3-й міжнародній конференції з передових досягнень в області обчислювальної техніки, зв'язку, керування та мереж (ICAC3N) (стор. 889–894). IEEE. DOI:10.1109/ICAC3N53548.2021.9725687
- Пелещак, Р., Литвин, В., Пелещак, І., Худий, А., Рибчак, З., та Мушаста, С. (2022). Класифікація тональності тексту за допомогою гібридної згорткової нейронної мережі з паралельними та послідовними з'єднаннями між шарами. У COLINS (стор. 904–915). DOI:10.3390/sym16040485
- Пелещак, Р., Литвин, В., Холодна, Н., Пелещак, І., та Висоцька, В. (2022, лютий). Двоетапний метод шифрування AES на основі стохастичної помилки нейронної мережі. У 2022 IEEE 16-й міжнародній конференції з передових тенденцій у радіоелектроніці, телекомунікаціях та комп'ютерному інженерії (TCSET) (стор. 381–385). IEEE. DOI:10.1109/AIACT.2019.8847896
- Шамрат, Ф. Дж. М., Азам, С., Карім, А., Ахмед, К., Буі, Ф. М., та Де Бур, Ф. (2023). Високоточна багатокласова класифікація захворювань легень через налаштований MobileNetV2 за допомогою зображень рентгенів грудей. Комп'ютери в біології та медицині, 155, 106646. DOI:10.1016/j.compbiomed.2023.106646
- Хан, М. С., Нат, Т. Д., Хоссен, М. М., Мукерджі, А., Хаснат, Х. Б., Мім, Т. М., & Хан, У. (2023). Порівняння технік багатокласової класифікації за допомогою набору даних з сухого кавового зерна. Міжнародний журнал когнітивних обчислень в інженерії, 4, 6–20. DOI:10.1016/j.ijcce.2023.01.002
- Нахідузаман, М., Гоні, М. О. Ф., Хасан, Р., Іслам, М. Р., Сифулла, М. К., Шахріар, С. М., ... та Ковальський, М. (2023). Паралельна CNN-ELM: багатокласова класифікація зображень рентгенів грудної клітки для виявлення сімнадцяти захворювань легень, включаючи COVID-19. Експертні системи з застосуваннями, 229, 120528. DOI:10.21203/rs.3.rs-3358084/v1
- 14.Ду, Ї., Ян, Ї., Тао, Д., та Хсіє, М. Х. (2023). Проблемно-залежна потужність квантових нейронних мереж у багатокласовій класифікації. Фізичний огляд листів, 131(14), 140601. DOI:10.1103/PhysRevLett.131.140601
- Афзал, С., Зіапур, Б. М., Шокрі, А., Шакібі, Х., та Собхані, Б. (2023). Прогнозування споживання енергії будівель за допомогою моделей, підтриманих багатошаровими перцептронами нейронних мереж; порівняння різних алгоритмів оптимізації. Енергія, 282, 128446. DOI:10.1016/j.energy.2023.128446
- UkrOboronProm. (2023). Каталог радіолокаційних, радіозв'язку та систем ППО. Отримано з http://progress.gov.ua/en/catalogs/