Методы и программные средства обучения алгоритмов распознавания участков фазовых траекторий

Методы и программные средства обучения алгоритмов распознавания участков фазовых траекторий

Автор: Коваленко, Дмитрий Сергеевич

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2010

Место защиты: Москва

Количество страниц: 168 с. ил.

Артикул: 4915259

Автор: Коваленко, Дмитрий Сергеевич

Стоимость: 250 руб.

Методы и программные средства обучения алгоритмов распознавания участков фазовых траекторий  Методы и программные средства обучения алгоритмов распознавания участков фазовых траекторий 

Оглавление
Введение.
1. Цели и задачи работы
2. Методы исследования
3. Актуальность работы.
4. Структура работы
Глава 1. Задача распознавания поведения системы.
1.1. Исследуемая система
1.2. Задача распознавания поведения системы.
1.3. Ограничения на исходные данные
1.4. Задача обучения алгоритма распознавания
1.5. Выводы.
Глава 2. Обзор существующих методов решения задачи распознавания нештатного поведения системы.
2.1. Критерии сравнения алгоритмов и методика численного исследования .
2.2. Алгоритм распознавания на основе нечеткого сопоставления строк .
2.3. Алгоритм на основе ОТУ.
2.4. Алгоритм на основе искусственных нейронных сетей .
2.5. Алгоритм на основе преобразований Фурье.
2.6. Алгоритм на основе вей влет преобразований.
2.7. .Алгоритм на основе метода ГусеницаБЗ А
2.8. Алгоритм на основе идей алгебраического подхода.
2.9. Вывода.
Глава 3. Параметрическое семейство алгоритмов распознавания и
условия его обучаемости
3.1. Параметрическое семейство алгоритмов распознавания.
3.2. Условие обучаемости параметрического семейства решений.
Глава 4. Метод обучения алгоритмов распознавания нештатного поведения систем
4.1. Общая схема метода обучения
4.2. Генетический алгоритм построения системы аксиом но обучающей выборке с маркировкой участков нештатного поведения.
4.3. Алгоритм построения системы аксиом по обучающей выборке с маркировкой точек аварии
Глава 5. Инструментальная система.
5.1. Требования к системе построения алгоритмов распознавания
5.2. Архитектура разработанного средства
5.3. Исследование эффективности предложенной схемы распараллеливания алгоритма обучения
5.4. Выводы.
Глава 6. Исследование эффективности предложенных алгоритмов . .
6.1. Исходные данные
6.2. Исследование метода обучения алгоритмов распознавания по выборке с маркировкой участков нештатного поведения.
6.3. Исследование метода обучения алгоритмов распознавания по выборке с маркировкой точек аварии
6.4. Выводы.
Заключение .
Литература


Приложение В содержит результаты численного исследования, представленные графиками, которые отражают число ошибок распознавания при различных характеристиках искажений для алгоритмов, построенных при помощи существующих методов. Глава. Рассмотрим систему, которая окружена набором датчиков. Будем считать, что датчики, окружающие систему, опрашиваются с одинаковой постоянной частотой. Фазовая траектория X в пространстве показаний датчиков представляет собой последовательные измерения всех датчиков системы: X = (х,Х2,. Состояние системы характеризуется показаниями датчиков, окружающих ее. Со временем система может изменять свое состояние. Последовательные изменения состояния системы будем называть ее поведением. Штатное состояние. Это такое состояние наблюдаемой системы, при котором она стабильно выполняет1 заложенные в нее функции. Нештатное состояние, при котором система в скором времени гарантированно перестанет выполнять заложенные в нее функции. Аварийное состояние, при котором система не выполняет заложенных в нее функций. Нормальным поведением системы будем называть такое поведение, при котором все состояния, которые принимает система, принадлежат классу штатных состояний. Нештатным поведением системы будем называть такое, при котором все состояния, которые принимает система, принадлежат классу нештатных состояний. Может существовать несколько классов нештатного поведения, приводящих к аварийному состоянию системы. Например, нештатным состоянием движущегося автомобиля можно считать такое, когда человек за рулем уснул или находится в состоянии микросна. Это ограничение не нарушает общности рассуждений, так как от данных, получаемых с различной частотой, возможно перейти к данным с максимальной частотой, при этом для датчиков с меныией частотой опроса использовать последнее считанное значение. Кроме того, могут быть установлены датчики, которые измеряют электроэнцефалограмму водителя, частоту моргания глаз, направления вращения головы. По показаниям этих датчиков возможно определить находится ли водитель с состоянии сна, отвлекается ли он от дороги. Все множество траекторий, которые могут быть получены с датчиков системы, назовем допустимыми траекториями и обозначим V = {X}. Будем считать, что каждому классу нештатного поведения соответствует некоторая характерная траектория- ХАпот1 такие траектории будем называть эталонными. Пусть число классов нештатного поведения системы равно Ь. Обозначим: И7 = {ш}^' и {0} — множество ответов, где 0 — соответствует штатному поведению системы, ги — соответствует нештатному поведению под номером ги из Ь возможных. Множество всех возможных отображений из V в И7 обозначим: Р = {/ : V —> И7}. Участки траекторий, соответствующие различным классам нештатного поведения, могут входить в анализируемую траекторию X в искаженном относительно эталонных траекторий виде. Отдельно выделим подкласс искажений по амплитуде - стационарный шум, возникающий в датчиках, окружающих систему. Определение 1. Х) = Ісп(У), Зі € [1,1еп(Х)} : х% ф ух. Х) — число отсчетов траектории X. Определение 2. Х) ф 1еп(У). Определение 3. У, а изменения значений на отсчетах- траектории X относительно Y характеризуются стационарным процессом. Наиболее известным примером стационарного шума является ”белый шум”. Определение 4. Число отсчетов, на которых определена траектория X, совпадает с числом отсчетов, па которых определена траектория У: 1еп(Х) = 1еп{У). За, 6 G R, а ф 0 : Vi. Нелинейным искажением траектории X по амплитуде будем называть такое, при котором различные участки траектории X искажены линейно по амплитуде с различными значениями параметров а и Ь. Определение 5. Vf е [1, Г] = 5 • <1х! Y2 = ^ • Re qj = ? Re qx 2 . Х) — длина траектории X; п = 1сп(У) ~ длина траектории У. Приведенное определение линейного искажения но времени основано на искажениях частотных портретов траекторий. Траектория представляется в виде частотных коэффициентов в дискретном преобразовании Фурье. Искажения задаются путем изменения этих коэффициентов, т.

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: 0.209, запросов: 244