Совершенствование самоорганизующихся нейронных сетей Кохонена для систем поддержки принятия решений

• Автор: Рыжков, Владимир Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 151 с. : ил.

Введение

Глава 1. Самоорганизующиеся карты Кохонена как метод аналитической обработки данных.

1.1. Анализ современных методов интеллектуального анализа данных

1.2. Классическая модель СОКК и алгоритм ее обучения

1.3. Подготовка и предобработка данных для нейронной сети.

1.4. Построение визуальных топографических карт для СОКК.

Выводы по главе 1

Глава 2. Модель сети Кохонена с замкнутой решеткой, оценка ее точности и качества

2.1. Проблемы применения классической модели СОКК.

2.2. Способы устранения граничного эффекта

2.3. Новый метод связи соседних нейронов сети.

2.4. Новые модели СОКК с замкнутой решеткой для устранения
граничного эффекта.
2.5. Оценка точности и качества обучения сети с замкнутой решеткой
2.6. Сравнение с замкнутой сетью треугольной топологии.
Выводы по главе 2
Глава 3. Применение методики анализа данных с помощью разработанной нейронной сети.
3.1. Методика анализа данных с помощью СОКК с замкнутой решеткой.
3.2. Анализ данных о производстве готовой продукции на ОАО МЗКРС.
3.3. Анализ результатов конструкторских расчетов конических зубчатых
передач с круговыми зубьями
Выводы по главе 3
Глава 4. Комплекс программ для анализа данных с применением карт Кохонена и расчет алгоритмической эффективности
4.1. Основные модули комплекса программ
4.2. Динамически присоединяемая библиотека, ее параметры и методы.
4.3. Разработанное приложение для i x
4.4. Алгоритм принятия решений с помощью СОКК.
4.5. Алгоритм построения объемной сферической поверхности для визуального отображения глобуса замкнутой СОКК.
4.6. Расчет и оценка алгоритмической эффективности нового
алгоритма поиска иейроновсоседей
Выводы по главе 4
Заключение
Литература


Если после обучения сеть встретится с наблюдениями, непохожими ни на один из известных ей образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну, т. Табл. Ал гор и і мы Описание Популярные обласні для применении Досюннства и не. Искусственные нейронные сети задачи Отнесение объектов, представленных векторами своих признаков, к одному из заранее известных классов. Два этапа работы алгоритма: на нервом этапе происходит обучение нейронной сета путем предъявления ей всех объектов и указанием для каждого принадлежность к тому или иному классу; на втором этапе сеть автоматически относит предъявляемый объект к одному из классов, которые она была обучена распознавать на первом этапе. Объекты входных данных являются векторами, каждый из которых содержит одинаковое количество признаков. Нейронная сеть может состоять из одного нейрона - персептрон, а может состоять из нескольких нейронов. Несколько нейронов представляют собой слой нейронов. Нейронные сети могут состоять из нескольких слоев, где выходы одного слоя нейронов, являются входами для другого - следующего слоя. Экономика ¦ Финансы ¦ Медицина • Промышленность • Социологические исследования Достоинства: ¦ Высокая точность. Нейронная сеть нечу вствительна к пропускам и шумам (выбросам) в значениях и признаках наблюдений, присутствующих как в обучающей выборке, так и в произвольном объекте. Недостатки: • Необходима большая обучающая выборка наблюдений за объектом, чтобы натренировать сеть выполнять классификацию. Чем больше наблюдений, тем точнее классификация сетью. Обучение с учителем. Автоматическая классификация объектов. Каждый объект будет отнесен к тому классу, который преобладает среди к ближайших объсктов-соседсй текущего объекта. Выбирается к. Далее для каждого вектора находятся к векторов, с минимальным эвклидовым расстоянием до него. После этого каждый вектор относится к тому классу объектов, количество которых преобладает среди к найденных вскторов-соссдсй. Экономика • Финансы • Медицина • Социологические исследования Доегоинсіва Быстрота и простота реализации. Нсдосіагки: Проблема выбора к. Нели к=1 алгоритм даст ошибочные классификации. Если к равно количеству объектов. Деревья решений Автоматический анализ данных, отнесение объектов к одному из заранее известных классов. Построение древовидной конструкции альтернатив типа "если. Каждая альтернатива даст единственное правильное решение. Входной набор данных состоит из векторов, каждый из которых характеризуется одинаковым набором атрибутов. Один признак в каждом векторе показывает, к какому классу вектор относится. Изначально входной набор векторов содержит векторы разных классов. Дерево разобьет его на несколько подмножеств. Для этого будет найден другой признак (не классовый), значения которого в разных векторах разное. Сколько значений у этого признака, на столько подмножеств будет разбит входной набор данных. С получившимися подмножествами данных дерево поступит точно также: разобьет их на новые подмножества. Такой рекурсивный процесс будет продолжаться до тех пор, пока в одном подмножестве не останется векторов, принадлежащих одному классу. Медицина ¦ Промышленность « Биология Достоинства: ¦ Быстрый процесс обучения. Излечение альтернатив на естественном языке. Высокая точность. Недостатки: ¦ Обучение с учителем: необходимость явного указания признака, по которому будет происходить классификация объектов. Векторное квантование Разделение пространства входных данных на классы, заменой этого пространства кодирующими векторами. Заранее предполагается, что все векторы входных данных взяты из конечного набора классов, которые могут перекрываться друг с другом. Каждому из классов приписывается некоторое под-множссгво кодирующих векторов. Затем для каждого вектора входных данных отыскивается свой колирующий вектор, евклидово расстояние до которого минимально. Тогда вектор входных данных будет принадлежать тому классу, которому принадлежит этот кодирующий вектор. Распознавание речи ¦ Сжатие видео, аудио информации Недостатки: ¦ Сложность определения метрики, с помощью которой оценивается расстояние между векторами данных. Обучение с учителем.