Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками

Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками

Автор: Деркачев, Александр Николаевич

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Воронеж

Количество страниц: 128 с. ил.

Артикул: 3319256

Автор: Деркачев, Александр Николаевич

Стоимость: 250 руб.

Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками  Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками 

Оглавление
Введение.
Глава 1 Анализ алгоритмов классификации.
1.1 Понятие образа как многомерного объекта
1.2 Общая постановка задачи распознавания образов
1.2.1 Проблема обучения распознаванию образов
1.2.2 Гйпотеза компактности
1.2.3 Самообучение.
1.2.4 Общая характеристика задач распознавания образов и их типы.
1.3 Современные подходы к решению задачи классификации.
1.4 Нейросетевой подход к решению задачи классификации.
1 .4. 1 Биологический прототип.
1.4.2 Структура и свойства искусственного нейрона
1.4.3 Классификация нейронных сетей и их свойства
1.4.4 Многослойный персептрон
1.4.5 СетьКохонена.
1.4.6 Г йбридная сеть АЫПБ.
1.5 Недостатки существующих нейросетвых моделей при решении
задачи классификации.
1.6 Постановка задач диссертационного исследования.
Глава 2 Разработка нейросетевой модели классификации
многомерных объектов со смешанным типом входных переменных
2.1 Основные этапы построения системы классификации на базе
нейронной сети.
2.2 Базовые понятия теории нечетких множеств.
2.2.1 Общие сведения.
2.2.2 Модифицированный метод парных сравнений Саати
2.2.3 Метод осрезов
2.3 Модель нейронной сети со смешанным типом входных
переменных. .
2.3.1 Схема работы БИС.
2.4 Построение нейронной сети
2.4.1 Выбор структуры ИНС.
2.4.2 Обучение нейронной сети.
2.5 Выводы.
Глава 3 Специальное математическое и программное обеспечение анализа эффективности нейросетевой модели многомерной классификации.
3.1 Алгоритмизация основных элементов модели нейросетевой классификации.
3.2 Программная модель системы многомерной классификации
3.3 Генерация многомерных распределений смешанного типа для тестирования качества модели классификации
3.4 Критерии качества классификационной модели.
3.5 Анализ качества идентификации при различных формах обучающих множеств
3.6 Выводы.
Глава 4 Программная реализация решения задачи распределения банковского продукта по филиальной сети банка
4.1 Выбор классификационных параметров.
4.2 Постановка задачи распределения ограниченного банковского продукта по филиальной сети банка.
4.3 Анализ результатов распределения ограниченного банковского продукта по филиальной сети
4.4 Структура программного продукта.
4.5 Выводы
Заключение
Библиографический список.
Введение
Актуальность


Всероссийской Научно-технической конференции «Информационные технологии» (Воронеж, г. Региональной молодежной научной и инженерной выставке «Шаг в будущее, Центральная Россия» (Липецк ), Международной открытой научной конференции «Современные проблемы информатизации» (Воронеж, , г. АВС ВГТУ (Воронеж, - г. Публикации. ВАК. В работах, опубликованных в соавторстве и приведенных в конце диссертации, лично соискателем предложены: в [1, 2, , , , ] - основные принципы использования нейронных сетей для автоматизации скоринг-оценок, в [] - методы сокращения количества адаптируемых параметров сети, в [] - расширение модели Курно для случая двухпродуктовой конкуренции, в [] - структура нейронной сети, позволяющая учитывать нечеткие входные переменные. Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложена на 8 листах, содержит список литературы из 5 наименований, рисунка, 8 таблиц. Термины «идентификация», «классификация», «кластеризация» широко распространены в различных областях науки и техники. Разделение рассматриваемой совокупности объектов или явлений на однородные (в определенном смысле) группы называется классификацией [4]. При этом термин «классификация» используют, в зависимости от контекста, для обозначения как самого процесса разделения так и его результата. Кластеризация состоит в разбиении анализируемой совокупности объектов на сравнительно небольшое число (заранее известное или нет) классов таким образом, чтобы объекты, принадлежащие одному классу, находились бы на сравнительно небольших расстояниях друг от друга. Полученные в результате разбиения на классы часто называют кластерами. Отнесение объекта к одному из заранее известных и определенных классов называется идентификацией. Центральное место среди этих понятий занимает понятие (или задача) распознавания образов (ее строгое определение будет приведено ниже). Распознаванием образов постепенно овладевают системы, наделенные элементами искусственного интеллекта, например, роботы. Методы распознавания образов играют ведущую роль в системах распознавания речи. В системах понимания текста формальные синтаксические методы уступают место методам распознавания образов [8]. В настоящее время существует множество различных подходов и алгоритмов для решения задачи распознавания образов. Обладая определенными достоинствами область их применения тем не менее ограничена и зачастую сильно зависит от ограничений, накладываемых методом на структуру обучающих данных. Образ, класс — классификационная группировка в системе классификации, объединяющая (выделяющая) определенную группу объектов по некоторому признаку [2]. Образное восприятие мира — одно из загадочных свойств живого мозга, позволяющее разобраться в бесконечном потоке воспринимаемой информации и сохранять ориентацию в океане разрозненных данных о внешнем мире. Воспринимая внешний мир, мы всегда производим классификацию воспринимаемых ощущений, т. Например, несмотря на существенное различие, к одной группе относятся все буквы А, написанные различными почерками, или все звуки, соответствующие одной и той же ноте, взятой в любой октаве и на любом инструменте, а оператор, управляющий техническим объектом, на целое множество состояний объекта реагирует одной и той же реакцией. Характерно, что для составления понятия о группе восприятий определенного класса достаточно ознакомиться с незначительным количеством ее представителей. Это свойство мозга позволяет сформулировать такое понятие, как образ. Образы обладают характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей [, 2]. Примерами образов могут быть: река, морс, жидкость, музыка Чайковского, стихи Маяковского и т. В качестве образа можно рассматривать и некоторую совокупность состояний объекта управления, причем вся эта совокупность состояний характеризуется тем, что для достижения заданной цели требуется одинаковое воздействие на объект.

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: 0.307, запросов: 244