Синтез алгоритмов нейросетевого распознавания образов и восстановления зависимостей в условиях непараметрической неопределенности

Синтез алгоритмов нейросетевого распознавания образов и восстановления зависимостей в условиях непараметрической неопределенности

Автор: Зарипова, Юлия Хайдаровна

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2010

Место защиты: Нижний Новгород

Количество страниц: 159 с. ил.

Артикул: 4878859

Автор: Зарипова, Юлия Хайдаровна

Стоимость: 250 руб.

Синтез алгоритмов нейросетевого распознавания образов и восстановления зависимостей в условиях непараметрической неопределенности  Синтез алгоритмов нейросетевого распознавания образов и восстановления зависимостей в условиях непараметрической неопределенности 

Введение
ГЛАВА 1. Инструментарий интеллектуального анализа данных и роль синтеза нейросетевых прогностических моделей в его составе.
1.1 Задачи и методы интеллектуального анализа данных.
1.1.1 Виды задач и этапы интеллектуального анализа данных
1.1.2 Анализ методов интеллектуального анализа данных
1.1.3 Практическое применение процедур интеллектуального анализа данных.
1.2 Синтез прогностических моделей на основе эмпирических данных.
1.2.1 Структура системы, реализующей прогностическую модель, на примере распознавания образов.
1.2.2 Этапы обучения прогностической модели
1.3 Задачи синтеза прогностических моделей.
1.3.1 Оптимальное решающее правило в задаче классификации.
1.3.2 Методы синтеза прогностических
моделей.
1.3.3 Функция среднеквадратической
регрессии
1.3.4 Постановка задачи обучения по эмпирическим данным
1.4 Подходы к нейросетевому решению задач
интеллектуального анализа данных
1.4.1 Архитектура нейронных сетей прямого распространения
1.4.2 Нейросетевые прогностические модели классификатор и регрессионная модель
ГЛАВА 2. Процедуры синтеза и применения прогностических моделей в интеллектуальной информационноаналитической системе.
2.1 Интеллектуализация процедур распознавания образов
и восстановления зависимостей
2.1.1 Этапы синтеза нейросетевых моделей
2.1.2 Виды гибридных интеллектуальных систем
2.1.3 Архитектура гибридной интеллектуальной информационноаналитической системы
2.2 Снижение размерности пространства признаков
2.2.1 Способы снижения размерности пространства признаков
2.2.2 Алгоритмы отбора атрибутов
2.2.3 Повышение эффективности отбора атрибутов на основе предварительной оценки информативности признаков
2.3 Анализ качества прогностических моделей на основе теоретикоинформационного подхода
2.3.1 Определение близости условных распределений.
2.3.2 Определение точности восстановления зависимостей.
2.3.3 Оценка качества классификации.
2.4 Оценка эффективности бинарных классификаторов на основе минимального среднего риска
ГЛАВА 3. Методы и алгоритмы обучения нейросетевых
прогностических моделей
3.1 Байесовская методология.
3.1.1 Структурнопараметрический синтез нейросетевых моделей на основе байесовской методологии
3.1.2 Семейство алгоритмов обучения нейросетевых моделей
3.2 Обучение нейросетевых классификаторов.
3.2.1 Синтез классификатора на основе нейронной
сети с радиальными базисными функциями
3.2.2 Синтез классификатора на основе вероятностной нейронной сети
3.2.3 Моделирование алгоритмов нсйросетевой классификации.
3.3 Обучение нейросетевых моделей для восстановления
зависимостей.
3.3.1 Восстановление зависимостей на основе обучения нейронных сетей
3.3.2 Моделирование алгоритмов нейросетевого восстановления зависимостей.
3.4 Способ синтеза прогностической модели с непрерыв
ными и номинальными факторными переменными
ГЛАВА 4. Реализация и применение разработанных алгоритмов
4.1 Алгоритмическое и программное обеспечение нейросе
тевой классификации и восстановления зависимостей.
4.2 Применение разработанных процедур для задач распо
знавания образов
4.2.1 Распознавание объектов на изображениях при помощи нейросетевого классификатора.
4.2.2 Применение нейросетевого классификатора в сейсмоакустической системе рубежного контроля
4.2.3 Применение нейросетевого классификатора для фильтрации спама.
4.3 Применение разработанных процедур для задач
восстановления зависимостей.
4.3.1 Расчет зон покрытия базовых станций в сетях подвижной радиосвязи
4.3.2 Анализ моделей энергопотребления организаций
4.3.3 Восстановление осевой линии подземного трубопровода на основе измерительных данных
Заключение.
Список литературы


Полученные в диссертационной работе результаты могут быть использованы при построении информационноаналитических систем распознающих систем, систем поддержки принятия решений а также в составе интеллектуальных систем управления сложными техническими объектами и систем обнаружения. Реализация разрабатываемых процедур в системах диагностики, управления и информационноаналитических системах будет способствовать снижению риска принятия ошибочных решений, а также повышению эффективности управления за счет интеллектуализации процессов обработки информации. Результаты диссертационной работы нашли применение в трех НИР. Л . Приобретение знаний и логический вывод в распределенных гибридных интеллектуальных системах отчет о НИР, инв. Интеллектуальный нейросетевой анализ данных и принятие решений в информационноаналитических распределенных системах отчет о НИР, инв. По проекту с ФГУП ФНГЦ НИИИС им. Ю.Е. Седакова выполнена разработка нейросетевых систем и технологий технической диагностики, мониторинга и автоматизированного управления сложными техническими объектами и технологическими процессами. Разработанные алгоритмы нашли применение для распознавания образов на изображениях, распознавания объектов по сейсмоакустическим сигналам, для восстановления рельефа местности, для восстановления осевой линии подземного газопровода по данным измерений, для построения моделей энергопотребления в учреждениях. Часть материалов диссертационной работы использована в учебном процессе на кафедре Электроника и сети ЭВМ Нижегородского государственного технического университета им. Алексеева при проведении занятий для магистрантов по направлению подготовки Информационные системы. Основные положения и результаты диссертационной работы доложены и обсуждены на следующих научнотехнических семинарах и конференциях. Научнотехнические семинары кафедры ЭСВМ г. Международная научнопрактическая конференция по графическим информационным технологиям и системам КОГРАФ г. Нижний Новгород, г. Международная научнотехническая конференция Информационные системы и технологии ИСТ г. Нижний Новгород, , , , г. Нижегородская сессия молодых ученых. Технические науки г. Нижний Новгород, , , г. Международная молодежная научнотехническая конференция Будущее технической науки г. Нижний Новгород, , , г. Восьмой и Девятый Международный симпозиум Интеллектуальные системы I г. Нижний Новгород, г. I г. Владимир, г. Конференция Распознавание образов и анализ изображений Новые информационные технологии I9 г. Нижний Новгород, 2
8. Конференция Технологии i в теории и практике программирования г. Нижний Новгород, г. XI и X Всероссийская научнотехническая конференция Нейроинформатика и Нейроинформатика г. Москва, и г. Основное содержание диссертации опубликовано в трех отчетах по НИР и в печатных работах. Из них 3 статьи в научнотехнических журналах, публикаций в сборниках трудов и материалов научнотехнических конференций, в том числе Всероссийских и Международных, и 3 свидетельства Роспатент об официальной регистрации программ для ЭВМ. Две статьи опубликованы в журналах Нейрокомпьютеры разработка, применение и Информационноизмерительные и управляющие системы, которые входят в перечень изданий, рекомендованных ВАК для публикации результатов диссертационных работ. Предложенная архитектура системы аналитической обработки информации и принятия решений обеспечивает накопление информации об эффективности прогностических моделей и автоматизацию их выбора с учетом специфики решаемых задач. Разработанный показатель определения близости условных распределений позволяет оценивать точность прогностических моделей в задачах распознавания образов и восстановления зависимостей. Предложенная процедура предварительного ранжирования признаков по их информативности позволяет значительно снизить вычислительную сложность алгоритмов отбора атрибутов. Разработанные алгоритмы структурнопараметрического синтеза нейронных сетей на основе байесовской методологии позволяют преодолеть эффект переобучения и получать модели, аппроксимирующая способность которых согласована с доступными эмпирическими данными. Предложенный алгоритм синтеза прогностических моделей при наличии непрерывных и номинальных признаков способствует выявлению и группировке близких зависимостей за счет процедуры кластеризации.

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: 0.238, запросов: 244