Интеллектуальная система анализа данных на основе нейронных сетей

• Автор: Ильин, Евгений Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Красноярск
• Количество страниц: 174 с. : ил.

ВВЕДЕНИЕ
ГЛАВА I. Системы интеллектуального анализа данных 1.1. Требования к интеллектуальным системам анализа данных и их классификация
1.2. Обоснование выбора подхода для разработки интеллектуальной системы анализа данных Выводы

ГЛАВА II. Методика интеллектуальной обработки эмпирических данных

2.1. Общая методика анализа данных

2.2. Основные характеристики и классификация искусственных нейронных сетей 2.3. Схема анализа данных с использованием искусственных нейронных сетей 2.4. Формулировка проблемы
2.5. Подготовка данных к интеллектуальному анализу 2.6. Формирование структуры нейронной сети 2.7. Обучение нейронной сети 2.8. Упрощение нейронной сети 2.9. Извлечение правил из нейронной сети Выводы
ГЛАВА III. Программная система интеллектуального анализа данных на основе нейросетевых технологий 3.1. Функциональное назначение программной системы и описание работы

3.2. Техническое описание программной системы

ГЛАВА IV. Практическая реализация системы интеллектуального анализа данных

4.1. Сравнение эффективности систем интеллектуального анализа данных на задаче нахождения логических закономерностей 4.2. Сравнение эффективности систем интеллектуального анализа данных на задаче об ирисах Фишера 4.3. Сравнение эффективности систем интеллектуального анализа данных на задаче прогнозирования продолжительности жизни пациентов, перенесших сердечный приступ, по данным эхокардиограммы 4.4. Сравнение эффективности систем интеллектуального анализа данных на задаче прогнозирования результатов выборов президента США
4.5. Решение задачи выявления различия антропометрических признаков у больных остеоартрозом тазобедренных и коленных суставов Выводы
Заключение
Литература


Обычно в процессе исследования данных с помощью статистических пакетов приходится многократно применять набор из одних и тех же элементарных операций, однако в этих системах средства автоматизации процесса исследования либо отсутствуют, либо требуют программирования на некотором внутреннем языке, что также редко по силам пользователю, если он не статистик и не программист. Все эти факторы делают мощные современные статистические пакеты слишком тяжеловесными для массового применения. В качестве примеров, доступных в России, можно назвать , и i. Это большой класс разнообразных систем, чья архитектура в некоторой степени имитирует построение нервной ткани из нейронов. В одной из наиболее распространенных архитектур, многослойном перцептроне с обратным распространением ошибки, эмулируется работа нейронов в составе иерархической сети, где каждый нейрон более глубокого слоя соединен своими входами с выходами нейронов предыдущего слоя. На нейроны входного слоя подаются значения входных параметров, на основе которых требуется формировать навык предсказания, классификации и пр Эти параметры представляют собой сигналы, распространяемые последовательно с входного, через скрытые на выходной слой, ослабляясь или усиливаясь в зависимости от адаптивных весов. В результате этого на выходе нейронов выходного слоя вырабатывается некоторое значение, которое представляет ответ. Перед тем как применять нейронную сеть, ее необходимо предварительно обучить на данных, для которых известны значения входных и выходных параметров. Эта обучение состоит в подборе значений весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. К недостатку нейросетевой парадигмы можно отнести необходимость иметь обучающую выборку, в достаточной степени характеризующую изучаемую систему. Другой, отмечаемый разными авторами , , , , недостаток заключается в том, что даже натренированная нейронная сеть представляет собой черный ящик. Знания, зафиксированные как веса межнейронных связей, не поддаются тривиальному анализу и интерпретации аналитиком. В России можно приобрести такие нейросетевые системы, как i, , , . Стоимость их довольно велика. Идея систем рассуждений на основе аналогичных случаев , состоит в том, что для прогноза на будущее или выбора правильного решения эти системы находят в прошлом близкие аналоги имеющейся ситуации и выдают тот же ответ, который был для них правильным. Данный класс систем показывает хорошие результаты в разнообразных задачах. Их недостаток в том, что они не создают какихлибо моделей или правил, обобщающих предыдущий опыт, выбор решения основывается на всем массиве доступных данных, поэтому нет возможности выделить конкретные параметры, на основе которых системы строят свое решение. Примеры систем, использующих , КАТЕ , i, ii . Данный метод пригоден для решения задач классификации, поэтому весьма ограниченно применяется в областях, где требуется решить задачи оптимизации или прогноза. В результате работы метода деревьев решений создается древовидная структура правил вида если то. Для отнесения объекта к тому или иному классу требуется ответить на вопросы, расположенные в узлах дерева, начиная с его корня. Вопросы имеют вид значение параметра А больше хи. Если ответ положительный, мы переходим к правому узлу следующего уровня, если отрицательный то к левому узлу затем процесс повторяется снова и так до тех пор, пока не доходим до одного из конечных узлов листьев, где стоит указание, к какому классу надо отнести рассматриваемый объект. К достоинству метода относится наглядный вид получаемых правил. Однако для метода деревьев решений остро стоит проблема значимости. Проблема заключается в том, что отдельным узлам на каждом новом построенном уровне дерева соответствует все меньшее и меньшее число записей дерево дробит данные на большое количество частных случаев. Чем больше этих случаев, чем меньше обучающих примеров попадает в каждый такой частный случай, тем менее уверенной становится их классификация.