Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений : на примере северо-западного района Вьетнама

Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений : на примере северо-западного района Вьетнама

Автор: Као Динь Чонг

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2013

Место защиты: Москва

Количество страниц: 167 с. ил.

Артикул: 6544342

Автор: Као Динь Чонг

Стоимость: 250 руб.

Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений : на примере северо-западного района Вьетнама  Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений : на примере северо-западного района Вьетнама 

Содержание
Введение
Глава 1. Технология нейронной сети и е применение.
1.1. Технология нейронной сети
1.1.1. Биологические нейроны и их математические модели
1.1.2. Основные характеристики решенные задачи, передаточные функции, обучение нейронной сети.
1.2. ейроннье сети и задачи прогноза землетрясений
1.2.1. 1 ейроннье сети в области науки о земле.
1.2.2. рогноза землетрясений по магнитудам и времени
1.3. Сейсмическая характеристика Вьетнама и научные результаты по задаче прогноза землетрясений.
1.3.1. Основные характеристики сейсмологии Вьетнама
1.3.2. Результаты прогноза землетрясений для северозападного района Вьетнама.
Выводы по главе 1.
Глава 2. Методика выбора нейронных сетей и алгоритм обработки
данных в задаче прогноза землетрясений.
2.1. Методология выбора нейронных сетей.
2.1.1. Характеристика выбора нейронных сетей.
2.1.2. Методика выбора нейронных сетей.
2.2. Алгоритм обработки данных каталога землетрясений.
2.2.1. Алгоритм обработки каталога землетрясений.
2.2.2. Результаты обработки данных по северозападному району Вьетнама
Выводы по главе 2.
Глава 3. рогноз землетрясений но мощности и времени для северозападного
района Вьетнама
3.1. Прогноз землетрясений по магнитудам
3.1.1. Входные данные и нейронная сеть
3.1.2. Результаты прогноза по максимальным магнитудам.
3.2. Прогноз землетрясений по магнитудам и времени
3.2.1. Нейронная сеть и входные данные
3.2.2. Результаты прогноза по магнитудам и времени
Выводы по главе 3.
Глава 4. Вероятность появления сильных землетрясений северозападного района Вьетнама и разработанная программа прогноза землетрясений методом нейронной сети.
4.1. Вероятность появления землетрясений
4.1.1. Метод оценки вероятности.
4.1.2. Вероятностьпоявления сильного землетрясения в северозападном районе Вьетнама
4.2. Интерфейсы и структура использования разработанной программы.
4.2.1. Характеристика данных, исспользуемых для задачи прогноза землетрясений методом нейронной сети.
4.2.2. Интерфейсы программы.
Выводы по главе 4.
Общие выводы и заключение
Список литературы


Международный симпозиум «Интеллектуальные системы» (1ЫТЕЬ8'), г. Вологда. Международная конференция «9th General Assembly of Asian Seismological Commission» г. Улан-Батор, Монголия, . Глава 1. Науки о земле во Вьетнаме находится в зачаточном состоянии, в частности, научные достижения сейсмологии по прогнозу землетрясений являются лишь начальными. В этой главе мы будем рассмотривать конкретно нейросетевую технологию, основное главное научное направление в -м веке, её применение на практике, особенно в области прогноза землетрясений, а также, основные результаты по прогнозу землетрясений во Вьетнаме. Чтобы понять суть нейронной сети, нам нужно знать, откуда они появились в их математическом смысле. Узлы искусственной нейронной сети, именуемые также искусственными нейронами (нейронными клетками, формальными нейронами) представляют собой элементарные процессоры и являются упрошенными моделями биологических нейронов [3]. Это упрощение определяется прежде всего тем, что инженеров интересуют только функции нейронов, связанные с переработкой информации. Кроме того, не следует забывать о высокой сложности биологических систем, которые в полной мере просто не поддаются математическому описанию. Биологический нейрон является особой биологической системой, предназначенной для передачи и обработки информации в живых организмах. Упрощенная схема нейрона приведена на рис. Рис. Более подробно процесс функционирования биологического нейрона можно описать следующим образом. Выходной сигнал передается вдоль разветвляющегося аксона к синапсам других нейронов. Информация между нейронами передается посредством короткой серии импульсов. Сообщение передается с помощью частотно-импульсной модуляции, при этом частота может меняться от единиц до тысяч импульсов в секунду. В основу структуры биологического нейрона, ученые положили их математическую модель [] (рис. Х(Х= ? J), - компонента входного вектора i=l,2,. N; b - значение смещения (bias); a - выходной сигнал нейрона; N-число входов нейрона; f - функция активации. Рис. В общем, входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Во многих практических задачах входы, веса и смещения могут принимать вид лишь некоторые фиксированные значения. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими. Общие вопросы функционирования нейронных сетей рассмотрены в [,,,]. Под нейронными сетями понимается сети с конечным числом слоев одиночных элементов - аналогов нейронов с различными типами связей между слоями нейронов. При этом количество нейронов в слоях обусловлено необходимостью обеспечения заданного качества решения задачи, а число слоев нейронов как можно меньшим для уменьшения времени решения задачи [6]. Такие решенные задачи нейронным методом основаны на их классе передаточных функций и способности к обучению. Среди наиболее широко применяемых функций активации для нейронных сетей можно отметить линейную, релейную, сигмоидальную (несколько видов) и гауссовскую функции [3,,]. Рис. Рис. Линейная и релейная функции используются в том случае, когда выходные данные нейрона имеют одинаковые данные с входящими или в значениях 0,1. Они часто применямаются в нейронах выходного слоя нейронной сети. Функция сигмоида имеет вид: Г(х) = —! Она применяется часто для многослойных перцептонов и других сетей с непрерывными сигналами. Гладкость, непрерывность функции - важные положительные качества. Непрерывность первой производной позволяет обучать сеть градиентными методами (в частности, методом обратного распространения ошибки). Функция симмегрична относительно точки Г(з)=0. Г(ь)=0 и Г(. Рис. Рис. Функция гиперболического тангенса имеет вид /(*) = -г-— (рис. Функция симметрична относительно точки (0,0), и это является преимуществом по сравнению с сигмоидой. Производная также непрерывна и выражается через эту функцию. Гаусовая функция имеет вид /(*) =—т=е 2а' (рис. Она применяется в случаях, когда выход нейрона должен быть максимален для некоторого определенного значения.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.247, запросов: 244