Математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей

• Автор: Подкосов, Дмитрий Николаевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 150 с. : ил.

Содержание
Введение.

Глава 1. Обзор смежных областей

1.1. Концепция универсального сервера

1.2. Методы идентификации и сравнения нетрадиционных типов информации.

1.3. Нейронные сети и идентификация

1.4. Ассоциативнопульсационные нейронные сети.

1.5. Выводы
Глава 2. Математическая модель использования рнейронных сетей в системах обработки и хранения информации.

2.1. Методы исследований.

2.2. Основные алгоритмы

2.3. Формирование описывающих векторов.
2.3.1. Элементы нейронной сети
2.3.2. Потоки данных в нейронной сети.
2.3.3. Структура нейронной сети.
2.3.4. Абстрагирующий слой
2.3.4.1.Топология абстрагирующего слоя.
2.3.4.2.Структурная схема примитивов абстрагирующего слоя.
2.3.4.3.Функционирование примитивов абстрагирующего слоя.
2.3.4.4.Работа абстрагирующего слоя
2.3.5. Слой ассоциации
2.3.5.1. Топология слоя ассоциации.
2.3.5.2.Структурная схема примитивов слоя ассоциации
2.3.5.3.Функционирование примитивов слоя ассоциации
2.3.5.4. Работа слоя ассоциации
2.3.6. Слой приведения
2.3.7. Блок принятия решения
2.3.8. Работа рнейронной сети
2.4. Сравнение векторов сверток
2.4.1. Основные принципы сравнения
2.4.2. Алгоритмы сравнения, устойчивые к параллельным искажениям
2.5. Выводы
Глава 3. Реализация системы получения описывающих векторов.
3.1. Реализация пульсационнойнейронной сети
3.1.1. Общее описание программного комплекса и комплекса работ
3.1.2. Состав программного комплекса
3.1.3. Результаты работы
3.2. Общие принципы реализации нейронной сети на основе рнейронов
3.2.1. Топология слоев
3.2.2. Реализация блока принятия решения
3.2.3. Реализация слоя предворите.пьной обработки.
3.2.4. Реализация абстрагирующего слоя
3.2.5. Реализация слоя ассоциации.
3.3. Модифицированные свертки.
3.4. Описание объектов, наложенных друг на друза
3.5. Применение системы идентификации в хранилищах данных
3.5.1. Общие принципы.
3.5.1. Обработка информации на этапе ввода в хранилища данных.
3.5.2. Поиск информации.
3.5.2.1. Поиск по образцу
3.5.2.2. Поиск при помощи запросов
3.5.3. Обучение системы
3.6. Индексирование данных.
3.6.1. Общий подход
3.6.2. Дерево уточняющего ассоциативного поиска
3.6.3. Дерево максимального различия потомков
3.7. Выводы
Глава 4. Оценка эффективности.
4.1. Оценка системы с точки зрения универсального сервера
4.2. Сравнительный анализ характеристик данной системы.
4.3. Сравнительный анализ характеристик системы при работе с текстовой информацией
4.4. Выводы
Заключение
Публикации
Список использованных источников


В частности, двух-, трехмерной фафикой, полнотекстовой информацией, а в перспективе с аудио и др. Решение этой научно-технической задачи позволит выполнять такие операции, как: сравнение по выбранным параметрам, идентификация, классификация, поиск, в том числе нечеткий. На данном этапе необходимо не только идентифицировать данные, но и выявлять все множество близких данных, особенно это актуально применительно к нестандартным типам. Например, очевидно, что даже одно и то же графическое изображение, отсканированное два раза, из-за искажений может различаться, поэтому необходимо использование методов приближенного поиска, которые позволят выявлять такие скрытые дубли в ХД, а также позволят находить изображения близкие к данным. Такие же примеры можно привести и в отношении звуковой информации, трехмерных сцен и т. Такие возможности позволят как экономить время на поиске информации, так и осуществлять эти операции на новом уровне. Диссертационная работа направлена на оптимизацию методов нечеткого поиска. Так операции поиска, сравнения и идентификации должны быть построены исходя из критериев максимальной распознаваемости и минимальной избыточности информации, а также максимальных скоростных характеристик. Основным направлением исследования, для решения поставленной задачи, были выбраны пульсационные нейронные сети специального вида. Было разработано семейство сетей с последующим сравнением их методами имитационного моделирования. Основным методом исследований было создание математических моделей и их оценка по результатам имитационного моделирования. Как критерии были выбраны несколько параметров: быстродействие, объем описывающего вектора, адекватность описания исходной информации, скорость поиска. Результаты экспериментов сравнивались как между собой, так и с результатами работы других методов. Метод обработки данных, основанный на автоматическом абстрагировании и автоматической ассоциации данных. Структура пульсационной нейронной сети. Схемы функционирования пульсационной нейронной сети. Примитивы абстрагирующего слоя сети. Примитивы ассоциирующего слоя сети. Метод индексирования СТД для адаптивного распознавания образов. Предложена математическая модель адаптивного распознавания образов на основе пульсационных нейронных сетей (ПНС). Разработана структура, примитивы, способ функционирования специализированной ПНС. Показана возможность использования ПНС для адаптивного выделения информации в целях последующих операций классификации, идентификации и сравнения СТД. Разработан способ индексирования СТД, выделенных при помощи ПНС для последующего быстрого поиска, в том числе нечеткого. Эмпирически доказана возможность построения универсальных систем адаптивного распознавания образов. Эмпирически доказана возможность построения специализированных систем адаптивного распознавания образов на основе ПНС. Эмпирически доказана возможность построения ассоциативной памяти на сотни тысяч записей СТД. Эмпирически доказано ускорение операций поиска информации в хранилищах данных, в том числе нечеткою, а также операций идентификации и классификации для СТД. Результаты исследований были оформлены в виде программного продукта - библиотеки классов, который представляет собой реализацию описанного в диссертационной работе метода. Па библиотеку было получено регистрационное свидетельство (РОСПАТЕНТ per. Связь: почта, телеграф, телефон. Москва, 8- сентября г. Русская тройка», Санкт-Петербург, - сентября г. Программный продукт, на основе данной модели, был успешно внедрен на практике. Это свидетельствует о работоспособности системы и подхода в целом, что подтверждено соответствующим актом о внедрении. Был создан программный комплекс для исследования свойств пуль-сационных нейронных сетей. Он использовался как лабораторный комплекс в проведенных исследованиях. Результаты работы используются в учебном процессе кафедры МОВС МИРЭА('ГУ) в курсе «Базы данных» (приложение № 3). МИРЭА ( мая г. Электронная Россия» «Современные информационные технологии в управлении и образовании - новые возможности и перспективы» (, февраля г.