Многокомпонентные модели и алгоритмы анализа аномальных геофизических сигналов

Многокомпонентные модели и алгоритмы анализа аномальных геофизических сигналов

Автор: Мандрикова, Оксана Викторовна

Шифр специальности: 05.13.18

Научная степень: Докторская

Год защиты: 2009

Место защиты: Санкт-Петербург

Количество страниц: 283 с. ил.

Артикул: 4296705

Автор: Мандрикова, Оксана Викторовна

Стоимость: 250 руб.

Многокомпонентные модели и алгоритмы анализа аномальных геофизических сигналов  Многокомпонентные модели и алгоритмы анализа аномальных геофизических сигналов 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.
ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ. ОСНОВНЫЕ ПОДХОДЫ К ПОСТРОЕНИЮ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ
1.1. Постановка задачи
1.1.1. Структура природного сигнала.
1.1.2. Влияние внешних факторов на данные регистрации.
1.2. Обзор традиционных методов анализа данных, представленных в виде временных рядов
1.3. Способ построения модели временного ряда с использованием нейронных сетей.
1.3.1. Известные архитектуры сетей
1.3.2. Решение задач построения прогноза на основе нейронных сетей.
1.3.3. Особенности решения задач на основе нейронных сетей
1.4. Современные методы аппроксимации сигналов, основанные на разложении сигнала по базису
1.5. Прикладные задачи, рассмотренные в диссертационной работе.
1.5.1. Задачи анализа геофизических сигналов
1.5.2. Обзор существующих методов геофизических исследований
1.6. Новый подход к проблеме построения моделей временных рядов
со сложной структурой.
ГЛАВА 2. ИДЕНТИФИКАЦИЯ КОМПОНЕНТ ММВР.
2.1. Вейвлетобраз случайной функции У
2.2. Конструкции, используемые для идентификации компонент . ММВР
2.3. Методы выделения и классификации изолированных особенностей в структуре случайного сигнала
2.4. Методы выделения устойчивых характеристик в структуре сигнала
2.5. Метод построения наилучшей аппроксимирующей схемы случайного сигнала.
2.5.1. Критерии выбора базисных функций
2.5.2. Семейства ортогональных и полуортогональных вейвлетов с наименьшим носителем.
2.5.2.1. Ортогональные вейвлеты Добеши с компактным носителем.
2.5.2.2. Койфлеты.
2.5.2.3. Сплайнвейвлеты
2.5.3 Удаление шума на основе аппроксимирующих вей влетсхем.
2.5.4. Уточнение аппроксимирующей схемы сигнала на основе выбора наилучшего базиса.
2.5.5. Метод идентификации структурных компонентов сложного сигнала
2.6. Методика идентификации компонентов модели.
2.7. Оценка адекватности модели
2.7.1. Минимаксный подход как способ оценки модели сложного сигнала
2.7.2. Метод оптимизации модели путем улучшения порога
2.7.3. Метод оптимизации модели путем определения наилучшего базиса.
2.7.4. Диагностика модели
ГЛАВА 3. ОЦЕНКА ПАРАМЕТРОВ МНОГОКОМПОНЕНТНОЙ .МОДЕЛИ НА ОСНОВЕ СОВМЕЩЕНИЯ ВЕЙВЛЕТ
ПРЕОБРАЗОВАНИЯ И МОДЕЛИ АРПСС
ОКвН1И,.Мв.1мЛ.1Л КЛЖЧЛ1.ТЯ1 ,. в г. ,ЧЛХА. Л ЧУУ. 3, 1 У ялл ГЗЛ1.
3.1. Способ оценки параметров многокомпонентной модели
3.2. Процессы АРПСС
3.3. Решение задачи прогнозирования значений временного ряда на основе модели АРПСС.
3.4. Идентификация модели АРПСС.
3.5. Многокомпонентная модель временного ряда, получаемая на основе совмещения конструкции вейвлетпреобразования и методов АРПСС.
3.5.1. Общий вид модели.
3.5.2. Этапы идентификации модели .
3.5.3. Свойства модели
3.6. Методы и алгоритмы обнаружения н классификации аномалий
в сигнале на основе модели ВПАР.
Выводы . .
ГЛАВА 4. ОЦЕНКА ПАРАМЕТРОВ МНОГОКОМПОНЕНТНОЙ МОДЕЛИ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
4.1. Постановка задачи экстраполяции функции на основе нейронных сетей.
4.2. Методы формирования обучающего и контрольного множеств для нейронной сети
4.2.1. Понижение размерности пространства признаков на основе удаления шумовой компоненты г
4.2.2. Выделение характерных признаков, устранение несущественных и редковстречающихся признаков .
4.3. Общий вид модели временного ряда. Оценка модели .
4.4. Прогнозирование значений временного ряда на основе
нейронной сети. Выделение аномалий
Выводы . .
ГЛАВА 5. ОЦЕНКА ПЛОТНО.СТИЕАСВЕДЕЛЕН ИЯСЛ УЧ АЙНОЙВЕЛИЧИНЫ НА ОСНОВЕ ВЕЙВЛЕТПРЕОБРАЗОВАНИЯ.
5.1. Способ оценки плотности распределения случайной величины
на основе вейвлетпреобразования
5.2. Оценка плотности распределения сейсмических событий
Камчатского региона но глубине
ГЛАВА 6. ПОСТРОЕНИЕ МОДЕЛЕЙ ПРИРОДНЫХ СИГНАЛОВ СО
СЛОЖНОЙ СТРУКТУРОЙ
6.1. Описание программного обеспечения
6.2. Реализация метода статистического моделирования
6.2.1. Статистическая модель системы
6.2.2. Формирование входных модельных сигналов
6.2.3. Методика идентификации изолированных особенностей в сигнале.0
6.2.4. Оценка характеристик.
6.2.5. Проведение экспериментов с модельными сигналами на основе модели ВПАР
6.3. Автоматизация вычисления Киндекса на основе вейвлетпакетов.4 Ь
6.3.1. Постановка задачи
6.3.2. Описание методики
6.3.3. Автоматический алгоритм определения Киндекса
6.3.4. Результаты экспериментов.
6.4. Построение многокомпонентной модели подпочвенного радона
6.4.1. Описание статистических данных.
6.4.2. Значение геохимических методов для краткосрочного прогноза землетрясений
6.4.3. Влияние внешних факторов на данные регистрации .,
6.4.4. Методикало.строеыияЛЮделисигналарадона.ОАКпЗОЗ
6.4.5. Методика обнаружения и классификации аномалий в данных ОЛЯп
6.4.6. Результаты обработки данных радона
6.4.6.1Выделение и анализ детализирующих компонент модели
6.4.6.2. Процесс идентификации АРмодели для сглаженной компоненты сигнала
6.4.6.3. Эксперименты по обнаружению среднесрочных аномалий в сглаженной компоненте модели
6.4.6.4. Применение к данным подпочвенного радона традиционных методов
6.5. Построение многокомпонентной модели сигнала критической частоты
6.5.1. Описание статистических данных
6.5.2. Значение геофизических методов для решения задачи
прогноза землетрясений.
6.5.3. Влияние внешних факторов на данные регистрации
6.5.4. Этапы построения модели сигнала критической частоты Р2.
6.5.5. Результаты обработки данных радона
6.5.5.1. Идентификация структурных компонент сигнала ,Г2. Выделение детализирующих составляющих модели
6.5.5.2. Анализ сигналов Г0Р2 и данных Киндекса на основе непрерывного вейвлетпреобразования.
6.5.5.3. Оценка параметров сглаженной компоненты модели сигнала критической частоты на основе конструкции ВПАР
6.5.5.4. Анализ сглаженной компоненты модели ВПАР.
6.5.5.5. Аппроксимация сигнала критической частоты Г0Р2 на о.с I щв ен ей р.ошюй.с ет., гггг.5
6.5.5.6. Построение модели сигнала критической частоты на основе конструкции ВПНС
6.5.5.6.1. Оптимизация процедуры обучения сети на основе подавления шумовой компоненты
6.5.5.6.2. Оптимизация модели ВПНС на основе выделения несущественных и редко встречающихся признаков.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Вопервых, делается допущение, что временной ряд может быть описан линейным стохастическим дифференциальным уравнением. Изза этого он может не учитывать некоторые важные характеристики структуры данных. Вторым моментом является стационарность временного ряда, имеющиеся модификации класса моделей АРПСС позволяют описывать нестационарности только определенного вида. При экстраполяции временных рядов, имеющих сложную нелинейную структуру, следует соблюдать особую осторожность и учитывать возможность выявления частных закономерностей в их поведении. В последние несколько лет методы нейронных сетей НС получили широкое распространение во многих научных и прикладных областях физике, технике, бизнесе, медицине, геологии. Вместе с ними возникли новые области деятельности нейроинформатика, нейрокибернентика, нейроматематика и другие нейронауки. НС вошли в практику везде, где нужно решать трудно формализуемые задачи, такие как распознавание образов, кластеризация, прогнозирование, моделирование сложных систем и др. Такой впечатляющий успех определяется несколькими причинами. Богатые возможности. НС являются исключительно мощным методом моделирования, позволяющим воспроизводить чрезвычайно сложные зависимости. В частности, НС нелинейны по своей природе. На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него разработаны процедуры идентификации, оценивания и оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Преимущество нейросстевого представления аппроксимируемой функции также заключается в большой гибкости базовых функций и их способности к адаптации. Это позволяет синтезировать алгоритм для каждой конкретной математической задачи. Простота в использовании. Вид аппроксимирующей функции при нейросетевом подходе определяется в процессе обучения сети. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных , . При этом от пользователя, конечно, требуется набор знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты. Многослойная сеть прямой передачи сигнала. Элементы сети организованы в послойную топологию с прямой передачей сигнала. Такую сеть легко можно интерпретировать как модель входвыход, в которой веса и пороговые значения являются свободными параметрами модели. Сеть может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Сеть с радиальной базисной функцией. Сеть типа радиальной базисной функции имеет промежуточный слой из радичьных элементов, каждый из которых воспроизводит гауссову поверхность отклика. Поскольку эти функции нелинейны, для моделирования произвольной функции нет необходимости брать более одного промежуточного слоя. Для моделирования любой функции необходимо лишь взять достаточное число радиальных элементов. Остается решить вопрос о том, как следует скомбинировать выходы скрытых радиальных элементов, чтобы получить из них выход сети. Сети с радиальной базисной функцией имеют ряд преимуществ перед сетями многослойного персептрона. Вопервых, как уже сказано, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, и тем самым избавляют нас от необходимости решать вопрос о числе слоев. Вовторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейного моделирования, которые работают быстро и не испытывают трудностей с локальными минимумами и обучаются на порядок быстрее многослойного персептрона. С другой стороны, до того, как применять линейную оптимизацию в выходном слое сети, необходимо определить число радиальных элементов, положение их центров и величины отклонений. В процессе использования, модель, основанная на радиальной базисной функции, будет работать медленнее и потребует больше памяти, чем сеть многослойного персептрона.

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: 0.265, запросов: 244