Методы и алгоритмы структурно-параметрического синтеза нейросетевой модели для формирования интеллектуальных информационных технологий

Методы и алгоритмы структурно-параметрического синтеза нейросетевой модели для формирования интеллектуальных информационных технологий

Автор: Воеводин, Юрий Юрьевич

Количество страниц: 153 с. ил.

Артикул: 4569528

Автор: Воеводин, Юрий Юрьевич

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2009

Место защиты: Волгоград

Стоимость: 250 руб.

Методы и алгоритмы структурно-параметрического синтеза нейросетевой модели для формирования интеллектуальных информационных технологий  Методы и алгоритмы структурно-параметрического синтеза нейросетевой модели для формирования интеллектуальных информационных технологий 

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ.
ВВЕДЕНИЕ.
1. АНАЛИЗ СОСТОЯНИЯ ТЕОРИИИ ПРАКТИКИ СОЗДАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ.
1.1. Проблемы создания новых информационных технологий для решения сложных
задач науки и техники
1.2. Эволюционное моделирование.
1.3. Создание гибридных моделей на основе различных методик и информационных технологий.
1.4. Обзор программных средств, использующих нейронные сети.
Выводы по главе 1.
2. СТРУКТУРНОПАРАМЕТРИЧЕСКИЙ СИНТЕЗ НЕЙРОСЕ ГЕВЫХ МОДЕЛЕЙ
2.1. Синтез нейронной сети для решения прикладной задачи
2.2. Кодирование и предварительная обработка входных данных.
2.3. Выбор типа НС
2.4. Проблемы формирования топологии НС.
2.5. Влияние алгоритма обучения на эффективность использования НС.
2.6. Сравнительный анализ квазиныотоновских методов обучения НС.
2.7. Алгоритм обучения нейронной сети на основе.
генетического алгоритма и его оценка
2.8. Разработка и оценка качества многопопуляционного ГА
2.9. Экспериментальное исследование генетического алгоритма
2 Исследование комбинированных алгоритмов.
обучения на основе ГА.
2 Задача интерпретации результатов работы нейронной.
сети вИИТ и ее решение
Выводы по главе 2.
3. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ НС МОДЕЛЕЙ В ИИТ
31. Разработка метагенетического алгоритма.
3.2. Разработка и исследование комбинированного алгоритма обучения НС на основе ГА и имитации отжига .
3.3. Использование нечеткой логики для регулирования
скорости обучения НС.
Выводы по главе 3
4. ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ И ОЦЕНКА ИХ ЭФФЕКТИВНОСТИ ПРИ РЕШЕНИИ ПРАКТИЧЕСКИХ ЗАДАЧ
4.1. Цели и методы проводимых исследований
4.2. Исследование эффективности разработанной системы при решении реальных задач пользователей сети Интернет
4.3. Пример применения НС к выбору параметров ЛВС.
4.4. Повышение эффективности функционирования.
распределенной вычислительной системы.
4.5. Внедрение в учебный процесс
Выводы по главе 4.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


На втором этапе на каждой итерации работы внешнего ГА для оценки качества каждой хромосомы происходит функционирование внутреннего ГА с параметрами, выбранными на данной итерации. Разработан комбинированный алгоритм обучения НС: на основе генетического алгоритма. АИО). Создание такого алгоритма открывает возможность динамически менять типы и вероятность применения генетических операторов на различных этапах поиска минимума с целью снижения' временных затрат и повышения вероятности нахождения глобального экстремума. Это достигается введением в процедуру оптимизации ошибки обучения Ео управляющего параметра "температуры" t, который постепенно уменьшаясь по заданному закону, позволяет стабилизироваться Ео в состоянии минимума. В отличие от известных комбинированных алгоритмов на основе ГА и АИО в предложенном варианте используются новые исследованные в работе генетические операторы, позволяющие-учитывать состояние среды поиска. Проведен сравнительный анализ нейросетевых моделей с традиционными классификаторами на основе методов к- ближайших соседей и потенциальных функций. Предложены и программно реализованы усовершенствованные нейросе-тсвые классификаторы персептронного типа, позволяющие устранить выявленные недостатки алгоритма обратного распространения ошибки ВР: медленную сходимость и возможность блокировки сети. Для решения этой проблемы в работе предложен метод автоматической подстройки параметров обучения ЫС на основе методов нечеткой логики. Идея подхода заключается в том, чтобы величина скорости обучения не оставалась постоянной на протяжении всей процедуры обучения, а изменялась в процессе работы алгоритма ВР, в зависимости от определенных условий. Четвертая глава посвящена исследованию разработанных методов- и алгоритмов при решении практических задач. Представлены результаты практической проверки эффективности разработанных и исследованных в диссертации нейросетевых и гибридных методов и технологий на раннем этапе проектирования и моделирования компьютерных систем и сетей, и при автоматизации поиска информации в сети Интернет. Проведены эксперименты, направленные на сравнение эффективности поиска документов с помощью метапоисковой системы использующей Neuro searcher использующей НСБЗ и популярными поисковыми и метапоиековыми системами. Результаты экспериментов подтвердили, что эффективность разработанной. Представлены результаты решения ряда важных практических задач, связанных с созданием компьютерных сетей' коммерческих организаций1 (НПФ ’ «Эверест»): . Применение новой формальной модели для-выбора архитектуры НС, которая позволяет получить HG меньшей вычислительной, сложности при сохранении точности решаемой-задачи. Многопопуляционный параллельный генетический алгоритм, обеспечивающий возможность одновременного развития нескольких популяций, что позволяет повысить эффективность эволюционного поиска минимальной ошибки обучения НС в ИИТ. Методы и алгоритмы формирования специализированных нейросетевых баз знаний на основе предварительно обученных нейронных модулей, обеспечивающих гибкость и снижение времени на разработку основной модели НС в ИИТ. Комплекс гибридных моделей на основе совместного использования НС, нечеткой логики и ГА, позволяющий повысить точность моделирования предметной области с помощью ИИТ. Интеллектуальные информационные технологии (ИИТ) в настоящее время являются одним из наиболее динамично развивающихся направлений развития научных и прикладных областей информатики [2, , 6]. Наиболее перспективными сферами применения ИИТ являются следующие приложения: обработка текстов на естественном языке [, 4], моделирование знаний [] и базы знаний [], управление знаниями [, -], распознавание образов [1], нейротехнологии, интеллектуализация Интернет [2, -, -], концептуальное программирование [9], САПР [7, ], системы принятия решений [9, ] и др. Типичными примерами ИИТ являются. ЭС) и искусственные нейронные сети, генетические алгоритмы, нечеткая логика, берущие на себя решение вопросов извлечения и структурирования знаний, а также технологические аспекты разработки систем, основанных на знаниях.

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: 0.225, запросов: 244