точность прогнозирования

Введение. Цель работы – повышение эффективности идентификации огнестрельного оружия по изображениям следов бойков в автоматическом режиме. Актуальность поставленной задачи определяется низкой эффективностью известных методов автоматической идентификации оружия по следам бойков с отдельными топологическими типами индивидуализирующих признаков, что в целом отрицательно сказывается на расследовании преступлений, связанных с применением огнестрельного оружия. Формирование клоновых изображений. Для обучения нейронной сети была сформирована обучающая выборка, включающая 140 оригинальных изображений следов бойков из 50 классов, на основе которых получено порядка 1000 клоновых изображений с несколько измененными индивидуализирующими признаками. Под классом в данном случае понимается отдельный экземпляр оружия. Обучение нейронной сети. В качестве классификатора использовалась полносвязная нейронная сеть со следующей архитектурой: входной слой нейронов; два скрытых слоя; выходной слой. Входной слой включал 2500 нейронов, первый скрытый слой – 625, второй скрытый слой – 156, выходной слой состоял из 50 нейронов (по числу классов). Оценка результатов расчетов. Точность прогнозирования обученной нейронной сети оценивалась в соответствии с метрикой Accuracy, которая равна отношению числа правильных прогнозов к общему числу сформированных прогнозов. Точность прогнозирования по максимальному сигналу на одном выходном нейроне составила 81%, а при учете максимальных сигналов на трех выходных нейронах – порядка 91%. Выводы. В целом, исследования показали возможность классификации изображений следов бойков по экземплярам оружия с помощью полносвязной нейронной сети, а также эффективность применения искусственно генерированных клоновых изображений следов бойков для обучения полносвязной нейронной сети в случаях с малым количеством исходных объектов.