Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации

Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации

Автор: Стадник, Алексей Викторович

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2004

Место защиты: Иваново

Количество страниц: 88 с. ил.

Артикул: 3297318

Автор: Стадник, Алексей Викторович

Стоимость: 250 руб.

Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации  Использование искусственных нейронных сетей и вейвлет-анализа для повышения эффективности в задачах распознавания и классификации 

Глава 1 Основные понятия ИНС. Искусственные нейронные сети. Напомним вкратце об основных понятиях ИНС и типах ИНС, используемых в физике. Выходной сигнал этогоуго нейрона получается путем воздействия на Л, активационной функцией 7, где и либо пороговая функция, либо сжимающая функция сигмоидального вида см. ИНС, наиболее распространенные в физике, определяются двумя типами связей прямоточные сети без обратных связей, например, многослойные персептроны МСП см. Ь, как в нейронной сети Хопфилда ХНС. Мы можем также рассматривать и клеточные автоматы как специальный тип нейронных сетей с локальными связями. Рис. Прямоточная ИНС МСП или ЯБРсети и полносвязная ИНС сеть Хопфилда Нейронные сети успешно применяются везде, где нужно решать задачи классификации, прогнозирования или распознавания. Широкий спектр решаемых задач. Применение ИНС носит поистине интердисциплинарный характер, т. К итераций, останов после того, как выходные сигналы перестанут меняться. Критерием останова для процесса обучения может служить достижение некоторого заданного значения функции ошибки.


Мы можем также рассматривать и клеточные автоматы как специальный тип нейронных сетей с локальными связями. Рис. Прямоточная ИНС МСП или ЯВРсети и полносвязная ИНС сеть Хопфилда Нейронные сети успешно применяются везде, где нужно решать задачи классификации, прогнозирования или распознавания. Широкий спектр решаемых задач. Применение ИНС носит поистине интердисциплинарный характер, т. Робастность ИНС проявляется благодаря возможности их обучения на большом числе тренировочных выборок. Сравнительная простота структуры ИНС и простота применения. Это особенно касается физики, где обычно квалификации дипломированного физикаэкпериментатора вполне хватает для использования программной или схемной реализации ИНС. Кроме того, благодаря распространению МонтеКарловских пакетов программ типа СЕАМТЗ, позволяющих моделировать физические процессы в детекторах частиц в условиях, максимально приближенных к реальным, не возникает проблем с моделированием необходимой последовательности данных, требуемых для обучения сети. Простота структуры ИНС типа многослойного персептрона стимулировала многих исследователей на создание универсальных пакетов для генерации МСП по заданному числу слоев и нейронов в них, позволяющих также реализовать один из методов обучения сети. Примечательно, что один из первых таких нейропакетов, программа ШТЫЕТ была разработан именно физиками из Лундского университета . Значительное количество статей по применению различных нейрочипов , ТОТЕМ, I6 и даже специального алгоритмического языка для управления ими можно найти в специальном выпуске журнала I i i . В заключение отметим, что применения многослойных персептронов, наиболее многочисленные в ФВЭ, основаны, как правило, на традиционной схеме сначала подбор структуры и обучение ИНС на большой обучающей выборке из смоделированных событий методом обратного распространения ошибок после чего найденные структура и веса воплощаются в ИНС в виде программы или чаще аппаратно. Эти применения МСП описаны в трудах многих научных форумов см. Краткий обзор существующих парадигм ИНС. Нейронные сети, обучаемые по методу имитации отжига. В е годы была разработана математическая модель отжига металла. Металл в процессе кристаллизации из жидкой фазы проходит через непрерывный ряд состояний, каждое из которых характеризуется значением энергии. Атомы металла стремятся к состоянию минимума энергии единому кристаллу. При высоких температурах атомы могут совершать движения, приводящие к переходу в состояния с большими значениями энергии. В процессе постепенного охлаждения металла возникают состояния со все более низкими значениями энергии. Алгоритм отжига вариант итеративного подхода к решению оптимизационных задач, в котором, как в физическом отжиге, разрешаются шаги, повышающие значения функции ошибки энергии. Этот алгоритм обладает высокой эффективностью и используется для обучения нейронных сетей. Алгоритм отжига может быть использован для обучения как многослойных, так и полносвязных сетей. Что особенно важно функции активации сети не обязательно должны быть непрерывно дифференцируемыми. В качестве функции ошибки можно использовать традиционное среднеквадратичное отклонение. Градиентный алгоритм с изменением величины шага по правилу отжига. На каждой итерации вычисляется направление антиградиента адаптивного рельефа и делается шаг заданной величины. В процессе обучения величина шага уменьшается с увеличением номера итерации. Большие значения шага на начальных итерациях обучения приводят к тому, что значение функции ошибки на некоторых итерациях может возрастать. В конце обучения величина шагов мала, значение функции ошибки уменьшается на каждой итерации. Стохастический алгоритм. В процессе обучения совершаются шаги по адаптивному рельефу в случайных направлениях. Пусть на итерации к система находится в точке 5 адаптивного рельефа, характеризующейся значением энергии Е. Шаг из точки 5 в точку 5 со значением энергии , приводящий к увеличению значения функции ошибки энергии на величину ЕЕ, допускается с вероятностью.

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: 0.266, запросов: 244