Нужна индивидуальная работа?

Подберем литературу

Поможем справиться с любым заданием

Подготовим презентацию и речь

Оформим готовую работу

Узнать стоимость своей работы

Дарим 200 руб.
на первый
заказ

Решение задач

Социология

Решение задач на тему: Аннотация. Основные положения теории нейронных сетей. Постановка задачи классификации сейсмических

Купить за 100 руб.

Страниц

Размер файла

360.41 КБ

Просмотров

Покупок

Выводы .по разделу 6. Реализация нейросетевой модели и исследование ее технических характеристик 6.1 Структура нейросети 6.2 Исходные данные 6.3 Определение критерия качества системы и функционала его

Введение

5.4 Выводы .по разделу 37

6. Реализация нейросетевой модели и исследование ее технических характеристик 38

6.1 Структура нейросети 38

6.2 Исходные данные 40

6.3 Определение критерия качества системы и функционала его оптимизации 41

6.4 Выбор начальных весовых коэффициентов 41

6.5 Алгоритм обучения и методы его оптимизации 42

6.6 Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели 48

7. Программная реализация 49

7.1 Функциональные возможности программы 50

7.2 Общие сведения 51

7.3 Описание входного файла с исходными данными 52

7.4 Описание файла настроек 52

7.5 Алгоритм работы программы 57

7.6 Эксплуатация программного продукта 58

7.7 Результат работы программы 58

8. Заключение 61

Список литературы 63

Приложение 64

1. Пример выборки сейсмограмм 64

2. Пример файла с векторами признаков 65

3. Файл с настройками программы 66

4. Пример файла отчета 67

5. Файл описания функций, типов переменных и используемых библиотек nvсlаss.h 68

Заключение

Проведенные исследования подтвердили эффективность применения нейросетевых технологий для идентификации типа источника сейсмических события. При определенных настройках нейронной сети можно добиться результатов, когда вероятность правильного распознавания составляет 96.5%. Ошибки возникают только на 3 векторах из 86. Если сравнивать полученные результаты с теми, которые можно достичь при использовании стандартных методов классификации, один из вариантов которых приведен в разделе 4, то они практически повторяют друг друга. И статистика и нейронные сети ошибаются одинаковое количество раз, причем на одних и тех же векторах. Из 86 событий статистические методы ошибаются на 3 векторах (1-землетрясение и 2-взрыва), и нейросетевой классификатор также ошибается именно на этих векторах. Соответственно пока нельзя говорить о каком-то превосходстве одного метода над другим.

Заметим, что в настоящих исследованиях были использованы довольно общие и универсальные технологии нейроинформатики (многослойные сети применяются для решения многих задач, но это не всегда самая оптимальная нейроструктура), а применение более узких и специализированных нейронных парадигм в некоторых случаях позволяет получать лучшие результаты. В частности, при помощи нейропакетов на тех же данных были поставлены ряд экспериментов над сетями Кохонена, описанными в разделе 5.4. Результаты показали, что количество ошибок идентификации в большинстве случаев составляет 3-4 вектора, т.е. практически совпадают с результатами, полученными на многослойных сетях и классических методах.

Итак, подводя итог всему выше сказанному, выделим основные результаты проведенных исследований:

1. Нейронные сети позволяют успешно решать проблему определения типа источника сейсмического события.

2. Новое решение не уступает по эффективности традиционным методам, использующимся в настоящее время для решения исследуемой задачи.

3. Возможны улучшения технических характеристик нейросетевого решения.

В качестве дальнейших исследований, направленных на повышение эффективности нейросетевого решения, можно предложить следующие:

- Для многослойных сетей прямого распространения решить проблему начальной инициализации весовых коэффициентов. Если предположить, что существует неявная зависимость между матрицей начальных весовых коэффициентов и конкретной реализацией выборки данных, предназначенной для обучения нейронной сети, то можно объяснить те случаи, когда результат несколько хуже, чем в большинстве экспериментов. Возможно, реализация алгоритма учитывающего распределение исходных данных позволит получать более стабильные результаты.

- Для этих же сетей можно использовать другие методы обучения, позволяющих с большей вероятностью находить глобальный минимум функции ошибки.

- Исследование других парадигм и разработка специальной модели, предназначенной конкретно для решения данной задачи могут привести к улучшению полученных результатов.

Список литературы

1. Уоссермен Ф. "Нейрокомпьютерная техника" - М.: Мир,1992.

2. Горбань А.Н., Дубинин-БарковскийВ.Л., Кирдин А.Н. "Нейроинформатика" СП "Наука" РАН 1998.

3. Горбань А.Н., Россиев Д.А. "Нейронные сети на персональном компьютере" СП "Наука" РАН 1996.

4. Ежов А.А., Шумский С.А. "Нейрокомпьютинг и его применение в экономике и бизнесе".1998.

5. Bishop С.М. "Neural Networks and Pattern Recognition." Oxford Press. 1995.

8. Kohonen Т. "Self-organization and Associative Memory", Berlin: Springer- Verlag, 1989.

9. Kushnir А.F., Haikin L.М., Troitsky Е.V. "Physics оf the earth and planetary interiors" 1998.

10. Копосов А.И., Щербаков И.Б., Кисленко Н.А., Кисленко О.П., Варивода Ю.В. Отчет по научно-исследовательской работе "Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии"; и др., ВНИИГАЗ, 1995, www.neuralbench.ru

11. Fukunaga К., Kessel D.L., "Estimation оf classification error", IEEE Trans. Comp. С 20, 136-143. 1971.

12. Деев А.Д., "Применение статистического дискриминационного анализа и его ассимптотического расширения для сравнения различных размерностей пространства.", РАН 195, 759-762. 1970.

Как купить готовую работу?

Авторизоваться
или зарегистрироваться
в сервисе

Оплатить работу
удобным
способом

После оплаты
вы получите ссылку
на скачивание