Sineglazov, VictorСинєглазов, Віктор МихайловичKot, AnanatoliyКот, Анатолій Тарасович2023-04-132023-04-132020-12-12Sineglazov V. M. Training data sampling for conventional neural networks configuring / V. M. Sineglazov, A. T. Kot // Electronics and Control Systems. Kyiv: NAU, 2020. – No 4(66). – pp. 19–23.1990-5548https://er.nau.edu.ua/handle/NAU/59087Науковий журнал «Електроніка та системи управління» президією Міністерства освіти і науки України віднесено до наукових фахових видань у галузі технічних наук категорії «Б». Рекомендовано до друку вченою радою Національного авіаційного університету (протокол № 11 від 22 грудня 2020 р.). Зареєстровано Міністерством юстиції України. Свідоцтво про державну реєстрацію друкованого засобу масової інформації. Серія КВ №16720-5292 ПР від 21 травня 2010 року.The problem of generating training data for setting up the convolutional neural networks is considered, which is of great importance in the construction of intelligent medical diagnostic systems, where due to the lack of elements of the training sample, it is proposed to use the approaches of artificial data multiplication based on the initial training sample of a fixed size for the image processing (the results of the ultrasound, CT and MRI). It shows that the increase of the training sample resulted in less informative and poor quality elements, which can introduce extra errors in the goal achievement. To eliminate this situation the algorithm for assessing the quality of a sample element with the subsequent removal of uninformative elements is proposed.Розглянуто задачу формування навчальної вибірки для налаштування згорткових мереж, що має велике значення при побудові інтелектуальних медичних систем діагностики в яких для обробки зображень використовуються результати УЗД, КТ та МРТ. У зв’язку з нестачею елементів навчальної вибірки запропоновано використовувати підходи штучного розмноження даних на основі вихідної навчальної вибірки фіксованого обсягу. Показано, що в результаті такого збільшення обсягу навчальної вибірки в неї можуть потрапити малоінформативні і поганої якості елементи, які можуть внести додаткові похибки у розв’язання поставленої задачі. Для усунення такої ситуації в роботі запропоновано алгоритм оцінки якості елемента вибірки з подальшим видаленням малоінформативних елементів.ukconvolution neural networksartificial reproduction of datauninformative dataintelligent medical systemsзгорткові нейронні мережіштучне розмноження данихмалоінформативні даніінтелектуальні медичні системиArticle004.93(045)10.18372/1990-5548.66.15225