Методы и алгоритмы обработки информации в условиях неоднородности данных

• Автор: Авшалумов, Александр Шамаилович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 159 с. : ил.

Содержание
Введение.

Глава 1. Систематизация и анализ основных методов обработки неоднородных данных.

1.1. Понятие неоднородности данных и классификация их основных разновидностей.

1.2. Методы и алгоритмы анализа неоднородных данных

1.3. Основные парадигмы искусственных нейронных сетей

1.4. Уточнение основных направлений исследования.

Выводы по главе 1

Г лава 2. Медианные методы обработки временных рядов.

2.1 Исходный алгоритм медианной обработки данных.

2.2. Методика анализа характеристик медианного фильтра при случайных воздействиях.

2.3. Результаты анализа характеристик медианного фильтра при случайных воздействиях.
2.4. Анализ свойств медианного фильтра при детерминированных воздействиях.
2.5. Анализ свойств медианного фильтра при обработке
неоднородных сигналов
Выводы по главе 2
Глава 3. Алгоритмы анализа коррелированных временных рядов.
3.1. Обнаружение аномальных наблюдений в коррелированных временных рядах
3.2. Алгоритмы обнаружения аномальных наблюдений в коррелированных временных рядах
3.3. Анализ импульсных потоков на фоне коррелированной
помехи.
Выводы по главе 3
Глава 4. Развитие нейросетевых методов как средства обработки неоднородных данных
4.1. Основная идея и область применения
4.2. Каскадные персептронные сети как средство классификации неоднородных данных
4.3. Каскадные сети со сжатием информации
4.4. Каскадные ИНС для целей построения математической
модели объекта г шыми переменными.
Выводы по главе 4
Глава 5. Применение разработанных методов анализа
неоднородных данных
5.1. Медицинский КВЧдиагностический комплекс.
5.2. Обработка периодограмм с применением медианной
фильтрации при спектральном анализе сигналов
5.3. Каскадный нейросетевой классификатор функционального состояния органов и тканей человека.
5.4. Алгоритм выделения аномальных наблюдений как средство
анализа ритмограмм сердца.
5.5 Разработка нейросетевой модели прогноза содержания радона
в атмосфере горных выработок
Выводы по главе 5.
Заключение
Литература


Такие сети формируются как каскадное соединение по крайней мере двух искусственных нейронных сетей - быть может различного типа и характеризуются особенностями организации прцесса обучения. Рассмотрены каскадные персептронные сети, предназначенные для решения задачи классификации данных с разноудаленными классами, и показана их эффективность по сравнению с традиционными нейросетевыми структурами. Предложены варианты каскадных сетей, использующих полное или частичное предварительное сжатие данных на основе автоассоциативных ИНС, с последующим решением задачи классификации с использованием редуцированной таким способом информации. Предложен новый основанный на использовании каскадных ИНС подход к построению математических моделей многофакторных объектов, с характеристиками, изменяющимися в зависимости от режима работы. На конкретном примере показана эффективность предложенного подхода. В пятой главе приводятся данные о практическом использовании теоретических результатов работы, созданных алгоритмов и методов анализа данных в условиях неоднородностей. Приведены результаты успешного применения медианной фильтрации как способа сглаживания периодограмм стохастических процессов и каскадных нейронных сетей в задаче классификации функционального состояния органов и тканей организма человека. Соответствующие алгоритмы включены в состав программноалгоритмического обеспечения медицинского КВЧ-диагностического комплекса, эффективно используемого в медицинской практике. Рассмотрена возможность применения алгоритмов выделения аномальных наблюдений ритмограмм сокращений сердца на основе критерия гладкости наблюдаемых реализаций. Показано, что такой способ анализа ритмограмм может оказаться полезным с точки зрения получения дополнительной диагностической информации. Доказана возможность и эффективность применения двухкаскадной ИНС для построения модели прогнозирования содержания радона в атмосфере горных выработок шахты Джезказганцветмет по экспериментальным данным. В заключении сформулированы основные результаты, полученные в диссертационной работе. Под неоднородностью наблюдаемых данных понимается наличие в них элементов различных генеральных совокупностей. При этом термин генеральная совокупность трактуется в расширенном смысле, а именно применительно не только к стохастическим переменным (случайным величинам, процессам и т. Само исходное понятие неоднородности данных было введено в классической математической статистике очень давно (см. Изначально оно использовалось в весьма узком смысле и в иной альтернативной форме, а именно при решении ряда задач проверки однородности данных. Нулевая (проверяемая) гипотеза - это как раз гипотеза однородности, т. Альтернативная гипотеза: данные принадлежат разным генеральным совокупностям и, следовательно, являются неоднородными. Дальнейшее расширение сферы применимости понятия неоднородности происходило по нескольким направлениям. Так, в частности, можно упомянуть вариант регрессионного анализа при неодинаковых значениях дисперсии аддитивного шума, рассмотрение, так называемых, «засоренных» выборок, сомнительных (аномальных) наблюдений и пр. Характерным примером, наглядно свидетельствующим о расширении областей применения рассматриваемого термина является монография Е. В. Марковой и А. Н. Лисенкова «Планирование эксперимента в условиях неоднородностей», г. Следует специально подчеркнуть, что наряду с перечисленными выше задачами в различных областях знаний (в теории случайных процессов, статистической радиотехнике, теории связи, теории оптимального управления, при решении задач классификации и распознавания образов и др. Для каждой отдельной задачи в этом просто не было особого смысла. Однако, по нашему мнению, в настоящее время возникла необходимость в систематизации имеющейся по данной проблематике информации с тем, чтобы в дальнейшем определить перспективные направления исследований. С этой целью предлагается подразделить неоднородности по их характеру на три вида - временная неоднородность, факторная (дискретная), структурная, выделив затем в каждом из них некоторые типовые разновидности. Соответствующая классификационная схема приведена на рис.