Обработка неточно заданной информации с помощью нейросетей

• Автор: Щемель, Антон Леонидович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Красноярск
• Количество страниц: 156 с.

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ.
Введение.

1. Нейр о сетевые технологии для анализа специализированных баз данных

1.1. Общие принципы построения нейросетевых алгоритмов .

1.2. Персептрон Розенблатта.

1.3. Сеть Хопфилда

1.4. Звезды Гроссберга

1.5. Карта самоорганизации Кохонена.

1.6. Нейронная сеть встречного распространения

1.7. Алгоритм Двойственного Функционирования

1.8. Нейросетевой итерационный метод главных кривых для данных с пробелами.
2. Метод многомерной нелинейной регрессии данных
2.1. Постановка задачи обработки данных.
2.2. Принципы построения алгоритма обработки данных
2.3. Обобщение метода наименьших квадратов
2.4. Преобразование данных перед обработкой.
2.5. Процедура оптимизации
2.6. Быстрый метод перекрестной проверки
3. Восстановление скрытых параметров при обработке данных.
3.1. Постановка задачи восстановления скрытых параметров .
3.2. Алгоритм решения задачи восстановления скрытых параметров.
3.3. Пример анализа пространственнослучайного поля
4. Программный комплекс Моделидля обработки данных
4.1. Общая характеристика комплекса программ
4.2. Процедура размещения данных в программе
4.3. Процедура синтеза модели.
4.4. Процедура Коррекция задачника
4.5. Процедура Результат
4.6. Функция НМОДЕЛЬ
4.7. Функция ПРОГНОЗ
4.8. Группа функций категории ССЫЛКИ и МАССИВЫ
4.9. Рекомендации для программистапользователя
4 Создание и обучение нейросетсвых моделей в вычислительной среде Матлаб
4 Эффективность работы комплекса программ
5. Примеры практического применения реализованных методов
5.1 Оценка сейсмической опасности.
5.1.1. Прогноз сильных землетрясений.
5.1.2 Нейросетевой анализ каталога землетрясений.
5.1.3 Статистические характеристики модельных распределений сейсмособытий.
5.1.4 Возможность прогнозирования сейсмических сотрясений на территории Красноярского края.
5.2. Исследование наводнений в период весенних паводков.
5.3. Метод многомерной нелинейной ререссии данных наблюдений о цунами.
5.3.1 Краткое описание экспертной системы для оценки цунамиопасности, применительно к побережью Приморья в Японском море.
5.3.2 Использование информации гидрофизической подсистемы оперативного прогноза о цунами.
Заключение
Литература


Заполнение пробелов в массивах данных является базовой проблемой обработки информации [], возможность работы с некачественными данными открывает новые перспективы во многих областях науки, производства и друтих аспекгах жизни. В то же время аппарат автоматизированной обработки таких данных недостаточно проработан. Таким образом, настоящее исследование посвящено разработке новых подходов к анализу массивов трудно формализуемых разнородных данных на основе автоматизированной нелинейной регрессии неточно заданных числовых данных и отыскании закономерностей в больших массивах многомерных данных. Предлагаемые математическая модель, алгоритмическое обеспечение и программный комплекс рассчитаны не только для обобщения неполных данных, но и для восстановления и пополнения их, а также решения задач многомерной комплексной фильтрации, изучения пространственных случайных полей, распознавания образов и классификации объектов различной природы. Следовательно, требуется нетрадиционный подход для быстрой и эффективной обработки, достаточная надежность и простота реализации, таким требованиям удовлетворяют искусственные нейронные сети. Отметим, что современное развитие вычислительной техники и программного обеспечения находится на достаточно высоком уровне для создания указанной компьютерной системы. Известно, что обучающиеся искусственные нейронные сети обладают рядом преимуществ по сравнению с традиционными статистическими методами [, , , ]. При обучении по реальным данным нейросегь способна выявить закономерности достаточно высокого уровня сложности за приемлемое время. Кроме того, она имеет возможности для обработки нечетких данных, не встречающиеся в традиционной статистике, которые также требуют значительного объема вычислений [2, , ]. Искусственные нейронные сети разработаны, в основном, для быстрой сложной обработки больших массивов данных с помощью универсальной реализации сложной функции, составленной из многих простых, часто работающих параллельно. Элементы этой функции созданы на примере биологических нервных систем []. Как и в природе, нейросетевая функция определяется и изменяется с помощью связей между элементами. Возможно, таким образом, обучать нейронную сеть решению определенной задачи с помощью варьирования сил связей между элементами. Обычно нейросети настраиваются, или обучаются так, чтобы определенным входам соответствовали необходимые выходы. То есть, решается задача аппроксимации, в общем случае, многомерной функции многих переменных. Следовательно, нейросети могут быть обучены для решения задач в самых различных областях, включая распознавание образов, идентификация, классификации, речи, зрения и управления сложными системами [,]. Это связано с потребностью повышения производительности компьютеров, которая при наличии физических ограничений на скорость выполнения одной операции в процессоре, может быть реализована распараллеливанием вычислительного процесса []. Обеспечение согласованной работы множества процессоров предъявляет высокие требования к программированию и усложняет отладку параллельных программ. Кроме того, имеется тенденция к упрощению функций отдельного процессора при предоставлении ему всех необходимых ресурсов в монопольное владение, а также ориентация на логические действия и использование логики нечетких множеств. Наличие гибкого параллельно-последовательного способа обработки информации, где пропорция параллельных и последовательных этапов зависит от задачи. Обучение машины вместо ес программирования. Отсутствие проектирования детальной схемы машины, так как она состоит из однородных, относительно простых элементов (вероятно, аналоговых), причем структура связей между ними устанавливается в процессе обучения. В случае чисто программной реализации это соответствует использованию одного и того же простого вычислительного модуля в программах, ориентированных на решение различных задач. Функция, выполняемая нейросетью, задается специальным массивом параметров, формируемых во время обучения нейросети. Блок или программа обучения, система модификации связей входят в саму машину или нейросетевую программу, являясь ес неотъемлемой частью.