Эффективное обучение LogNNet методом псевдообратной матрицы Мура–Пенроуза для классификации дефектов поверхности проката

Исследование посвящено обучению резервуарной нейросети LogNNet методом псевдообратной матрицы Мура–Пенроуза (pinv) в составе гибридной архитектуры YOLO+LogNNet для классификации дефектов поверхности прокатной стали (датасет NEU Surface Defect).

YOLO извлекает признаки изображения; LogNNet выполняет итоговую классификацию типов дефектов. Для обучения выходного слоя резервуара сравниваются три режима:

• pinv — аналитическое решение через псевдообратную Мура–Пенроуза;
• SGD — стохастический градиентный спуск с фиксированными параметрами генератора;
• SGD-PSO — SGD с оптимизацией гиперпараметров резервуара методом роя частиц (PSO).

При размерности выхода резервуара P ≥ 59 метод pinv достигает сопоставимой или более высокой точности; максимальная точность — 99.17% при P = 80. При очень малых размерностях (P ≤ 10) точность pinv снижается из‑за численной нестабильности.

По скорости обучения pinv существенно быстрее: в 10–100 раз относительно SGD и в 2000–100000 раз относительно SGD-PSO. Отказ от вычислительно тяжёлой PSO-оптимизации позволяет обучать LogNNet непосредственно на целевых маломощных (edge) устройствах, тогда как ранее такой обучение был привязано к серверному окружению.