Синтез нейросетевой системы классификации динамических объектов

• Автор: Бобин, Александр Валерианович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Москва
• Количество страниц: 133 с. : ил.

ОГЛАВЛЕНИЕ
ОГЛАВЛЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ
ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР И АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
1.1. Постановка задачи исследования
1.1.1. Принцип получения внешней информации в ЗРК
1.1.2. Общая постановка задачи
1.1.3. Летательный аппарат как динамическая система
1Л .4. Математическая постановка задачи
1.2. Обзор и анализ основных подходов к решению задачи
1.2Л. Особенности решаемой задачи
1.2.2. Общий подход к решению задачи классификации
1.2.3. Анализ основных математических подходов
1.3. Анализ основных нейросетевых парадигм
1.3.1. Классификация основных нейросетевых парадигм
1.3.2. Структура и принцип действия искусственного нейрона
1.3.3. Многослойные сети прямого распространения
1.3.4. Сети прямого распространения с сосредоточенной задержкой по времени
1.3.5. Сети прямого распространения с распределённой задержкой времени .
1.3.6. Сети нелинейной авторегрессии с внешними входами
1.3.7. Радиально-базисные сети
1.3.8. Результаты анализа возможности применения рассмотренных нейросетевых архитектур для решения задачи классификации ДО..
Выводы по главе

ГЛАВА 2. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ПРЯМОГО РАСПРОСТРАНЕНИЯ ДЛЯ КЛАССИФИКАЦИИ ДИНАМИЧЕСКОГО ОБЪЕКТА
2.1. Многослойные персептроны
2.1.1. Структура МЬР-сети
2.1.2. Алгоритм обратного распространения ошибки
2.1.3. Режимы обучения МЬР-сети
2.1.4. Общий подход к использованию градиентных методов оптимизации
2.1.5. Обучение МЬР-сети по алгоритму наискорейшего спуска
2.1.6. Обучение по алгоритму переменной метрики
2.1.7. Использование алгоритма Левенберга-Марквардта
2.1.8. Обучение больших сетей по алгоритму сопряжённых градиентов
2.2. Динамические ЕТБ1Ч-сети
2.3. Динамические NARX-ceти
2.3.1. Структура ИАЛХ-сети
2.3.2. Алгоритм обучения ИАЛХ-сети
2.3.3. Вычисление коэффициента скорости обучения
2.3.4. Использование усилителя сигнала
Выводы по главе
ГЛАВА 3. СИНТЕЗ СИСТЕМЫ КЛАССИФИКАЦИИ ДИНАМИЧЕСКИХ ОБЪЕКТОВ
3.1. Генерация исходных данных для построения классификатора
3.1.1. Входное пространство признаков
3.1.2. Источники исходных данных
3.1.3. Ошибки измерения координат
3.2. Формирование пространства признаков
3.2.1. Выбор системы координат для описания информативных признаков
3.2.2. Выбор информативных признаков
3.2.3. Итоговый вектор признаков
3.3. Синтез структуры системы классификации
3.3.1. Процедура принятия решения о типе объекта
3.3.2. Структура системы классификации
3.3.3. Блок локальной во времени классификации
3.3.4. Оценка достоверности локального решения
3.3.5. Учёт динамики локальных решений
3.4. Алгоритм обучения системы классификации
3.5. Выбор показателей качества работы классификатора
3.5.1. Классификация показателей качества работы системы
3.5.2. Показатели качества поточечной классификации
3.5.3. Показатели качества кластеризации входных данных
3.5.4. Показатели качества потраекторной классификации
3.6. Применение динамической РТП1Ч-сети в блоке локальной классификации
3.7. Учёт динамики входных данных с помощью NARX-ceти
Выводы по главе
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОЙ СИСТЕМЫ
4.1. Подготовка системы классификации и модельных данных
4.1.1. Формирование идеальных модельных данных
4.1.2. Генерация входных данных для настройки и тестирования системы
4.1.3. Подготовка классификаторов и методика тестирования
4.2. Исследование блока локальной классификации
4.2.1. Исследование динамики доли правильно распознанных примеров для слабого и нормального уровней шума
4.2.2. Исследование динамики доли правильно распознанных примеров для сильного шума
4.2.3. Исследование динамики доли ошибок классификации первого рода
4.2.4. Исследование динамики доли ошибок классификации второго рода
4.3. Исследование блока оценки достоверности локального решения

Возбуждающий
Внешняя сигнал Нейронная
среда сеть
Выход
Рис. 1.6. Концептуальная схема обучения без учителя
1.3.3. Многослойные сети прямого распространения
МЬР-сеть является классической архитектурой нейронной сети, подходящей для решения широкого круга задач [11, 28, 39, 46, 51, 56, 63, 73, 81, 84, 89, 93, 100, 103, 104]. Нейроны в многослойном персептроне организованы в группы - слои. Нейроны одного слоя активизируются одновременно. Любая МЬР-сеть содержит один входной слой, один - выходной, один или несколько скрытых слоев (рис. 1.7).

*=с О

(О за
3 о о а се

Входной

Скрытые

Выходной

к н 0) о о о.

Рис. 1.7. - Общая структура и принцип функционирования МЬР-сети
Входным слоем называется группа нейронов, которые непосредственно принимают возбуждающее воздействие от внешней среды. Как правило, нейроны входного слоя не подвергаются процедуре обучения и имеют линейную активационную характеристику.