Binary Classification by Majority Committees Based on Artificial Neural Networks with Parabolic Activation Functions
DOI:
https://doi.org/10.24160/1993-6982-2026-4-153-162Keywords:
artificial neural network, activation function, committee of classifiers, “s-parabola”, pattern recognition, invariant moments, error backpropagation methodAbstract
The purpose of the study is to generalize to a certain extent the experience gained from solving topical binary pattern recognition problems for images of various nature using the majority committee method. According to this approach, the conclusion regarding the class an object considered belongs to is drawn by counting the votes of individual committee members "for" or "against" the object’s belonging to a particular class. The proposed method of solving recognition problems has been laid at the heart of modern decision-making systems and is similar to the work of experts, where collective judgments are integrated and used to obtain objective results. The work has yielded the following results: eight alternative variants of majority committees for the problem of fire recognition based on a set of color-brightness features have been produced and studied, and it has been shown how a committee can solve the problem of recognizing the aircraft types based on invariant moments using a direct propagation ANN. The committee elements include metrics and artificial neural networks with new activation functions based on parabolic functions and their combination with linear sections. The proposed solutions are easy to implement, which makes them preferable for use in aircraft onboard systems with limited computational resources. The conducted experimental studies have demonstrated good performance in terms of accuracy in solving the problems of recognizing fire processes and detecting rigid objects. The main result is the demonstration of the possibility and expediency of solving the problems of recognizing objects of various nature in real time directly onboard of aircraft with limited computational resources. The application area of the results is remote sensing for the purpose of detecting fires in forest areas and the presence of aircraft in the observed space.
References
1. Мазуров В.Д., Хачай М.Ю., Рыбин А.И. Комитетные конструкции для решения задач выбора, диагностики и прогнозирования // Труды Института математики и механики УрО РАН. 2002. Т. 8. № 1. C. 66—102.
2. Кувшинов Б.М., Ширяев О.В. Метод комитетов в задачах распознавания образов в условиях неопределенности априорной информации // Вестник Южно-Уральского гос. ун-та. Серия «Математика. Механика. Физика». 2002. № 3. C. 34—43.
3. Кривоногов А.И. Некоторые вопросы обоснования комитетных алгоритмов // Классификация и оптимизация в задачах управления. Свердловск: УНЦ АН СССР, 1981. C. 39—51.
4. Мазуров В.Д. и др. Комитеты в принятии решений // Кибернетика. 1984. № 1. C. 90—95.
5. Гилёв Д.В. Совершенствование методов управления оказанием услуг медицинских учреждений на основе использования комитетного и дискриминантного анализа для диагностики заболеваний: дис. … канд. техн. наук. Челябинск: Южно-Уральский гос. ун-т, 2020.
6. Khachumov M.V., Emelyanova Yu.G. Multilayer Artificial Neural Networks with s-Parabola Activation Function and Their Applications // Sci. and Techn. Information Proc. 2025. V. 52(6). Pp. 605—613.
7. Жукова А. Лесные стражи: как создаются российские беспилотники для борьбы с природными пожарами [Электрон. ресурс] https://scientificrussia.ru/articles/lesnye-strazi-kak-sozdautsa-rossijskie-bespilotniki-dla-borby-s-prirodnymi-pozarami (дата обращения 09.03.2026).
8. Мелехин В.Б., Талалаев А.А., Хачумов М.В. Оптимизация распределения функций и режимов работы комплекса управления беспилотными летательными аппаратами // Авиакосмическое приборостроение. 2019. № 4. С. 45—54.
9. Журавлев Ю.И. Об алгебраических методах в задачах распознавания и классификации // Распознавание. Классификация. Прогноз. Математические методы и их применение. Вып. 1. М.: Наука, 1989. C. 9—16.
10. Li S. e. a. Fire-Net: Rapid Recognition of Forest Fires in UAV Remote Sensing Imagery Using Embedded Devices // Remote Sensing. 2024. V. 16(15). P. 2846.
11. Shamta I., Demir B.E. Development of a Deep Learning-based Surveillance System for Forest Fire Detection and Monitoring Using UAV // PLOS One. 2024. V. 19(3). P. e0299058.
12. Namburu A. e. a. Forest Fire Identification in UAV Imagery Using X-MobileNet // Electronics. 2023. V. 12(3). P. 733.
13. Kvyetnyy R.N. e. a. Method of Image Texture Segmentation Using Laws' Energy Measures // Proc. SPIE — Intern. Soc. for Optical Eng. 2017. V. 10445. P. 1044561.
14. Löfstedt T. e. a. Gray-level Invariant Haralick Texture Features // PLOS One. 2019. V. 14(2). P. e0212110.
15. Кутикова В.В., Гайдель А.В. Исследование методов отбора информативных признаков для задачи распознавания текстурных изображений с помощью масок Лавса // Компьютерная оптика. 2015. Т. 39. № 5. C. 744—750.
16. Амелькин С.А., Захаров А.В., Хачумов В.М. Обобщенное расстояние Евклида-Махаланобиса и его свойства // Информационные технологии и вычислительные системы. 2006. № 4. C. 40—44.
17. Хачумов М.В., Емельянова Ю.Г. Многослойные искусственные нейронные сети с функцией активации типа s-парабола и их приложения // Искусственный интеллект и принятие решений. 2024. № 3. C. 42—53.
18. Алейников П.И., Сараджишвили С.Э. Улучшенный метод обнаружения облаков и маскирования солнца на изображениях полного неба // Современная наука: актуальные проблемы теории и практики. Серия «Естественные и технические науки». 2022. № 4—2. С. 40—43.
19. Конкин Ю.В., Колесенков А.Н. Распознавание изображений на основе текстурных признаков Харалика и искусственных нейронных сетей // Известия Тульского гос. ун-та. Серия «Технические науки». 2016. № 2. C. 117—123.
20. Cмирнова А.И., Хачумов М.В., Хачумов В.М. Классификация объектов различной природы на основе обобщенной метрики и комитетного подхода // Авиакосмическое приборостроение. 2019. № 1. C. 47—56.
21. Hu M.-K. Visual Pattern Recognition by Moment Invariants // IRE Trans. Information Theory. 1962. V. 8(2). Pp. 179—187.
---
Для цитирования: Хачумов М.В., Емельянова Ю.Г., Ярусский И.М., Дворкина Е.В. Бинарная классификация комитетами большинства на основе искусственных нейронных сетей с параболическими функциями активации // Вестник МЭИ. 2026. № 4. С. 153—162. DOI: 10.24160/1993-6982-2026-4-153-162
---
Работа выполнена при поддержке Российского научного фонда (грант № 25-21-00222), https://rscf.ru/project/25-21-00222.
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Mazurov V.D., Hachay M.Yu., Rybin A.I. Komitetnye Konstruktsii dlya Resheniya Zadach Vybora, Diagnostiki i Prognozirovaniya. Trudy Instituta Matematiki i Mekhaniki UrO RAN. 2002;8(1):66—102. (in Russian).
2. Kuvshinov B.M., Shiryaev O.V. Metod Komitetov v Zadachah Raspoznavaniya Obrazov v Usloviyah Neopredelennosti Apriornoy Informatsii. Vestnik Yuzhno-Ural'skogo Gos. Un-ta. Seriya «Matematika. Mekhanika. Fizika». 2002;3:34—43. (in Russian).
3. Krivonogov A.I. Nekotorye Voprosy Obosnovaniya Komitetnyh Algoritmov. Klassifikatsiya i Optimizatsiya v Zadachah Upravleniya. Sverdlovsk: UNTS AN SSSR, 1981:39—51. (in Russian).
4. Mazurov V.D. i dr. Komitety v Prinyatii Resheniy. Kibernetika. 1984;1:90—95. (in Russian).
5. Gilev D.V. Sovershenstvovanie Metodov Upravleniya Okazaniem Uslug Meditsinskih Uchrezhdeniy na Osnove Ispol'zovaniya Komitetnogo i Diskriminantnogo Analiza dlya Diagnostiki Zabolevaniy: Dis. … Kand. Tekhn. Nauk. Chelyabinsk: Yuzhno-Ural'skiy Gos. Un-t, 2020. (in Russian).
6. Khachumov M.V., Emelyanova Yu.G. Multilayer Artificial Neural Networks with s-Parabola Activation Function and Their Applications. Sci. and Techn. Information Proc. 2025;52(6):605—613.
7. Zhukova A. Lesnye Strazhi: Kak Sozdayutsya Rossiyskie Bespilotniki dlya Bor'by s Prirodnymi Pozharami [Elektron. Resurs] https://scientificrussia.ru/articles/lesnye-strazi-kak-sozdautsa-rossijskie-bespilotniki-dla-borby-s-prirodnymi-pozarami (Data Obrashcheniya 09.03.2026). (in Russian).
8. Melekhin V.B., Talalaev A.A., Hachumov M.V. Optimizatsiya Raspredeleniya Funktsiy i Rezhimov Raboty Kompleksa Upravleniya Bespilotnymi Letatel'nymi Apparatami. Aviakosmicheskoe Priborostroenie. 2019;4:45—54. (in Russian).
9. Zhuravlev Yu.I. Ob Algebraicheskih Metodah v Zadachah Raspoznavaniya i Klassifikatsii. Raspoznavanie. Klassifikatsiya. Prognoz. Matematicheskie Metody i Ih Primenenie. Vyp. 1. M.: Nauka, 1989:9—16. (in Russian).
10. Li S. e. a. Fire-Net: Rapid Recognition of Forest Fires in UAV Remote Sensing Imagery Using Embedded Devices. Remote Sensing. 2024;16(15):2846.
11. Shamta I., Demir B.E. Development of a Deep Learning-based Surveillance System for Forest Fire Detection and Monitoring Using UAV. PLOS One. 2024;19(3):e0299058.
12. Namburu A. e. a. Forest Fire Identification in UAV Imagery Using X-MobileNet. Electronics. 2023;12(3):733.
13. Kvyetnyy R.N. e. a. Method of Image Texture Segmentation Using Laws' Energy Measures. Proc. SPIE — Intern. Soc. for Optical Eng. 2017;10445:1044561.
14. Löfstedt T. e. a. Gray-level Invariant Haralick Texture Features. PLOS One. 2019;14(2):e0212110.
15. Kutikova V.V., Gaydel' A.V. Issledovanie Metodov Otbora Informativnyh Priznakov dlya Zadachi Raspoznavaniya Teksturnyh Izobrazheniy s Pomoshch'yu Masok Lavsa. Komp'yuternaya Optika. 2015;39(5):744—750. (in Russian).
16. Amel'kin S.A., Zaharov A.V., Hachumov V.M. Obobshchennoe Rasstoyanie Evklida-Mahalanobisa i Ego Svoystva. Informatsionnye Tekhnologii i Vychislitel'nye Sistemy. 2006;4:40—44. (in Russian).
17. Hachumov M.V., Emel'yanova Yu.G. Mnogosloynye Iskusstvennye Neyronnye Seti s Funktsiey Aktivatsii Tipa S-parabola i Ih Prilozheniya. Iskusstvennyy Intellekt i Prinyatie Resheniy. 2024;3:42—53. (in Russian).
18. Aleynikov P.I., Saradzhishvili S.E. Uluchshennyy Metod Obnaruzheniya Oblakov i Maskirovaniya Solntsa na Izobrazheniyah Polnogo Neba. Sovremennaya Nauka: Aktual'nye Problemy Teorii i Praktiki. Seriya «Estestvennye i Tekhnicheskie Nauki». 2022;4—2:40—43. (in Russian).
19. Konkin Yu.V., Kolesenkov A.N. Raspoznavanie Izobrazheniy na Osnove Teksturnyh Priznakov Haralika i Iskusstvennyh Neyronnyh Setey. Izvestiya Tul'skogo Gos. Un-ta. Seriya «Tekhnicheskie Nauki». 2016;2:117—123. (in Russian).
20. Cmirnova A.I., Hachumov M.V., Hachumov V.M. Klassifikatsiya Ob'ektov Razlichnoy Prirody na Osnove Obobshchennoy Metriki i Komitetnogo Podhoda. Aviakosmicheskoe Priborostroenie. 2019;1:47—56. (in Russian).
21. Hu M.-K. Visual Pattern Recognition by Moment Invariants. IRE Trans. Information Theory. 1962;8(2):179—187
---
For citation: Khachumov M.V., Emelyanova Yu.G., Yarussky I.M., Dvorkina E.V. Binary Classification by Majority Committees Based on Artificial Neural Networks with Parabolic Activation Functions. Bulletin of MPEI. 2026;4:153—162. (in Russian). DOI: 10.24160/1993-6982-2026-4-153-162
---
The Work was Carried Out Russian Science Foundation (Grant No. 25-21-00222), https://rscf.ru/project/25-21-00222.
---
Conflict of interests: the authors declare no conflict of interest
