Применение автоассоциативных искусственных нейронных сетей для сжатия информации

• Автор: Джордан Боян
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 169 с. : ил.

Содержание
Введение.

Глава 1. Искусственные нейронные сети и задача сжатия информации

1.1. Основные парадигмы искусственных нейронных сетей ИНС.

1.2. Задача сжатия информации.

1.3. Анализ возможностей использования ИНС для сжатия информации

1.4. Основные направления исследования

Выводы по главе 1.

Глава 2. Сопоставительный анализ статистического и нейросетевого

варианта сжатия информации

2.1. Постановка задачи и метод исследования.

2.2. Анализ преобразования исходных данных
2.3. Анализ коррелированности сжатых данных.
2.4. Анализ информативности сжатия информации с помощью автоассоциативной ИНС.
2.5. Методика построения ИНС
Выводы по главе 2.
Глава 3. Нелинейное сжатие информации.
3.1. Нейросетсвая редукция размерности данных с нелинейными зависимостями.
3.2. Нсйросетевос сжатие информации при анализе свойств нелинейных динамических сисгем.
Выводы по главе 3.
Глава 4. Сжатие стохастических сигналов и их спектров с помощью
автоассоциативных ИНС.
4.1. Применение искусственных нейронных сетей для сжатия
стохастических сигналов
4.2. Выбор структуры автоассоциативной ИНС при сжатии стохастических сигналов
4.3. Применение автоассоциативной ИНС для сжатия спектральной информации.
Выводы по главе 4.
Глава 5. Применение автоассоциативной ИНС для решения
прикладных задач
5.1. Сжатие информации с помощью искусственных нейронных
сетей применительно к алгоритмическому обеспечению анализаторов типа Искусственный нос.
5.2. Применение автоассоциативных ИНС для анализа вариабельности ритма сердца.
Выводы по главе 5
Заключение
Литература


Реализована идея использования автоассоциативной ИНС для выявления фрактальной размерности хаотических сигналов применительно к анализу ритма сердца с целью последующей диагностики состояния сердечно сосудистой системы. В заключении в сжатой форме формулируются основные результаты диссертационной работы. Интерес к нейросетсвым методам обработки информации возник еще на заре развития вычислительной техники. В их основе лежит нейронная организация искусственных систем, которая имеет биологические предпосылки. Способность биологических систем к обучению, самоорганизации и адаптации является отличительной чертой таких систем по сравнению с традиционными вычислительными системами. Как известно, главным достоинством компьютерных методов обработки является большая скорость выполнения отдельных операций и возможность учета большого объема знаний, накопленных в той или иной предметной области. Разработка искусственных интеллектуальных систем, которые соединяют преимущества биологических прототипов и современных средств вычислительной техники, создает потенциальные предпосылки для перехода к качественно новому этапу эволюции как в программно-алгоритмической так и в аппаратном обеспечении исследований и обработки. Теория искусственных нейронных сетей привлекает сегодня внимание многих исследователей. С одной стороны, интерес к нейросетевым моделям вызван желанием понять принципы работы нервной системы, с другой стороны, с помощью таких моделей ученые рассчитывают смоделировать поразительные по своей эффективности процессы обработки информации, свойственные живым существам. Искусственные нейронные сети - это часть методов искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Важнейшая особенность такого рода сетей, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями. При громадном количестве межнейронных связей это позволяет значительно ускорить процесс обработки информации. Во многих случаях становится возможным преобразование сигналов в реальном времени. Кроме того, при большом количестве межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях. Функции поврежденных связей N элементов берут на себя исправные линии (элементы), в результате чего деятельность сети не претерпевает существенных возмущений. Другое не менее важное свойство - способность к обучению и обобщению накопленных знаний. Нейронная сеть обладает чертами естественного интеллекта. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения. Различные способы объединения нейронов между собой, разновидности функций преобразования, реализуемых каждым нейроном и организации их взаимодействия привели к создашдо сетей разных типов. Каждый тип сети, в свою очередь, тесно связан с соответствующим методом подбора весов межнейронных связей (т. Формальные ИНС, основным элементом которых является некоторый формальный нейрон. Полносвязные. Неполносвязные. Однослойные. Линейная ассоциативная память. Нелинейная ассоциативная память. Однослойный персептрон. Сеть типа “Адалайн”. Многослойные. С прямыми связями. В таких сетях нейроны входного слоя получают входные сигналы, преобразуют их и передают нейронам первого скрытого слоя, и т. Многослойный персептрон. Сеть радиально базисных функций. Сеть Кохонена. Сеть встречного распространения. С обратными связями. В таких сетях выходы нейронных элементов последующих слоев имеют синаптические соединения с нейронами предшествующих слоев. Сеть Жордана. В ней выходы нейронных элементов последнего слоя соединены посредством специальных входных нейронов с нейронами промежуточного слоя. Сеть Элмана. В этой сети выходы нейронных элементов промежуточного слоя соединяются с специальными входными нейронами. С перекрестными связями. В нейронных сетях с перекрестными связями кроме прямых связей допускаются связи внутри всех слоев. Примером такой сети могут послужить самоорганизующиеся карты Кохонена. Релаксационные сети.