Методы распознавания образов в массивах взаимосвязанных данных

Методы распознавания образов в массивах взаимосвязанных данных

Автор: Двоенко, Сергей Данилович

Год защиты: 2001

Место защиты: Москва

Количество страниц: 218 с. ил

Артикул: 2285486

Автор: Двоенко, Сергей Данилович

Шифр специальности: 05.13.17

Научная степень: Докторская

Стоимость: 250 руб.

Содержание
Введение.
1. Проблема распознавания образов в анализе массивов взаимосвязанных данных
1.1. Массивы взаимосвязанных данных и задачи их анализа.
1.2. Специфика задачи распознавания образов в массивах взаимосвязанных данных.
1.3. Методы распознавания событий в сигналах со сложной структурой
1.4 Проблема малой выборки и методы регуляризации процесса
обучения.
1.5. Основные задачи исследования.
2. Вероятностный подход к распознаванию взаимосвязанных объектов .
2.1. Граф смежности совокупности взаимосвязанных объектов
2.2. Скрытое марковское случайное поле принадлежностей объектов к классам .
2.3 Локальные индивидуальные апостериорные вероятности классов
объектов
2.4. Апостериорное марковское случайное поле классов совокупности взаимосвязанных объектов.
2.5. Трудности реализации оптимальных решающих правил распознавания для произвольного графа смежности взаимосвязанных объектов . .
3. Процедуры распознавания для древовидных совокупностей взаимосвязанных объектов.
3.1. Априорное и апостериорное древовидные марковские поля
3.2. Процедура фильтрации.
3.3. Процедура интерполяции.
3 4 Древовидная аппроксимация решетчатых графов смежности
4. Процедуры обучения восстановление функций локальных апостериорных вероятностей классов в пространстве признаков.
4.1. Обучение на основе метода опорных векторов
4.2. Обучение на основе восстановления функций апостериорных
вероятностей классов
4.3. Прямое восстановление апостериорных вероятностей классов
5. Обучение распознаванию линейно упорядоченных совокупностей
взаимосвязанных объектов. 8е
5 1. Вероятностная задача распознавания потока событий.
5 Распознавание скрытой марковской последовательности случайных
событий
5.1.2. Распознавание марковского случайного поля с цепочечным графом
смежности элементов.
5.2. Детерминистская задача распознавания последовательности
событий .
5.2.1. Задача обучения и разделимость обучающего множества
5.2.2. Алгоритмы обучения
5 2.3. Формирование признаков
5.2.4. Последовательное распознавание событийi
5.2.5 Источник кривых и граф возможных решений о классах
событий.
5 2.6. Алгоритм распознавания
6 Обучение распознаванию образов в пространствах взаимосвязанных
признаков
6.1. Природа пространств взаимосвязанных признаков.
6.2. Требование гладкости решающего правила как метод регуляризации при обучении распознаванию образов по малым выборкам
6 3 Построение оптимальной разделяющей гиперплоскости по методу
опорных векторов с учетом гладкости решающего правила
6.4 Восстановление функций апостериорных вероятностей классово
учетом критерия гладкости
6.5. Выбор величины штрафа па негладкость решающего правила.
6.6. Регуляризация с учетом коррелированности признаков.
7. Обучение распознаванию образов в пространствах признаков парных отношений между объектами
7.1. Пространство признаков парных отношений между объектами
7.2. Оптимальное линейное решающее правило распознавания
7.3. Регуляризация решающего правила по критерию гладкости
7.4. Кластерные методы регуляризации.
8. Обучение распознаванию зон коллекторов нефти и газа в монолитных породах по данным сейсморазведки с использованием результатов испытаний скважин.
8.1. Проблема сейсмической разведки месторождений нефти и газа в монолитных породах
8.2. Текстурные признаки локальных коллекторских свойств породы в массивах данных сейсмической разведки.
8.3. Обучение распознаванию зон коллекторов с использованием скважинной информации в качестве данных учителя.
8.4. Прогноз зон коллекторов в фундаменте месторождения Бомбей
9. Обучение распознаванию классов пространственной структуры белков .
9.1. Проблема распознавания классов пространственной структуры
белковг1
9 2. Формирование пространства признаков
9.3. Исходные данные и результаты предварительных исследований
9.4. Улучшение надежности распознавания.
Основные научные результаты работы
Литература


Использование упорядоченности признаков позволяет предложить новый принцип регуляризации, использующий типичную для большинства практических задач плавность изменения значений признаков вдоль оси линейного порядка Это позволяет предположить, что и их весовые коэффициенты в составе решающего правила также должны изменяться плавно. Такое предположение реализовано как модификация задач обучения по методу опорных векторов и по методу восстановления функций апостериорных вероятностей классов путем введения штрафа на исгладкость решающего правила. В работе исследована задача выбора величины штрафа на негладкость и проведено экспериментальное исследование алгоритмов обучения
В седьмой главе рассмотрена задача обучения распознаванию образов в пространстве так называемых метрических признаков, когда сами признаки оказываются элементами некоторого метрического пространства. Необходимость решения такой задачи возникает, когда отсутствует пространство исходных признаков, а имеется лишь информация о попарных различиях объектов обучающей выборки. Тогда каждый объект характеризуется своим вектором вторичных признаков, компоненты которого характеризуют его расстояние до остальных объектов или его сходство с остальными объектами Показано, что задача обучения распознаванию в пространстве метрических признаков по методу опорных векторов, так же, как и в обычном признаковом пространстве 1, приводит к задаче квадратичного программирования с ограничениями типа неравенств , ,,. По в силу самой природы пространства метрических признаков оказывается, что число объектов обучающей выборки всегда совпадает с его размерностью, так как оно образовано самими обучающими объектами. Это означает, что обучение всегда происходит в условиях малой выборки, и, следовательно, нельзя рассчитывать на статистическую стабильность результата обучения без применения дополнительных методов регуляризации. Предложенный метод регуляризация процесса обучения основан на идее, что близким признакообразующим объектам близким элементам метрического пространства должны соответствовать близкие коэффициенты соответствующих компонент направляющего вектора разделяющей гиперплоскости, поскольку такие признаки несут почти одну и 1у же информацию о классе объекта. В восьмой главе рассмотрена прикладная задача распознавания зон коллекторов нефти и газа в монолитных породах по косвенным сплошным данным сейсмической разведки исследуемого фрагмента подземного пространства в сочетании с результатами прямых испытаний в редкой сети разведочных скважин. Трехмерный массив данных сейсмической разведки представляет собой модель толщи пород так, что его отдельные элементы соответствуют определенным точкам подземного пространства, которые рассматриваются как объекты распознавания, упорядоченные по трем координатам, каждый из которых объективно принадлежит одному из двух классов коллекторов или неколлекторов. Предыдущие исследования показали, что зоны трещиноватости определяют локальные особенности локальной текстуры в пределах соответствующих фрагментов сейсмического поля , 0, 1. С другой стороны, достоверные данные о коллекторских свойствах пород получают дорогостоящим глубоким бурением, вскрывающим толщу массивных пород. В данной работе предложено использовать методы распознавания образов в массивах взаимосвязанных объектов для получения сплошной характеристики коллекторских свойств всего исследуемого фрагмента толщи пород с использованием прямой информации из редкой сети разведывательных скважин как данных учителя. Результатом решения данной задачи является прогноз зон коллекторов в кристаллическом фундаменте месторождения Бомбей Хай в Индии. Работа выполнена по заказу Индийской государственной компании i i . В девятой главе предлагается метод решения задачи обучения распознаванию класса пространственной структуры полимерной молекулы белка по исходной последовательности составляющих ее аминокислотных остатков. Используется так называемый беспризнаковый подход к обучению распознаванию образов, когда невозможно до получения обучающей выборки указать набор осмысленных признаков объектов распознавания, которые могут быть восприняты только через значения некоторой меры их взаимного несходства, т е.

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: 0.206, запросов: 244