Решение задач кластеризации на основе хаотической нейронной сети

ВВЕДЕНИЕ
1. КЛАСТЕРНЫЙ АНАЛИЗ В ЗАДАЧАХ ОБРАБОТКИ ИНФОРМАЦИИИ
1.1. Предметная область извлечение знаний и задачи кластерного анализа
1.2. Актуальность задачи кластеризации
1.3. Формальная постановка задачи кластеризации.
1.4. Классические методы кластеризации
1.5. Оценка качества решения задачи кластеризации.
1.6. Тестовые наборы данных.
1.7. Сравнительный анализ методов кластерного анализа и нерешенные задачи
1.8. Постановка задач диссертационной работы
2. СИСТЕМАТИЗАЦИЯ ТЕОРЕТИЧЕСКИХ ОСНОВ МОДЕЛИ ХАОТИЧЕСКОЙ НЕЙРОННОЙ СЕТИ С УЧЕТОМ СПЕЦИФИКИ ЗАДАЧИ КЛАСТЕРИЗАЦИИ
2.1. Анализ связи между хаотической динамикой и решением задачи кластеризации.
2.1.1. Связь явления синхронизации с феноменом образования кластеров
2.1.2. Исследование явления синхронизации в задачах обработки информации
2.1.3. Анализ возможности использования хаотических колебаний для решения задач кластеризации.
2.2. Структура алгоритм функционирования хаотической нейронной сети.
2.3. Сравнение хаотической нейронной сети с другими нейронными сетями.
2.3.1. Принцип функционирования соревновательной сети и результаты ее работы
2.3.2. Алгоритм функционирования сети Кохонсна
2.3.3. Анализ различий между хаотической нейронной сетью и сетью Кохонена
2.3.4. Результаты имитационного моделирования нейронной сети Кохонена на тестовых наборах данных.
3. АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ ХНС КАК ДИНАМИЧЕСКОЙ СИСТЕМЫ С ХАОСОМ
3.1. Существующие подходы к анализу динамических систем с хаосом
3.2. Исследование возможностей управления хаотической синхронизацией
3.4. Аттрактор как колебательный кластер
3.5. Анализ возможности использования модели Л. Ангелини для решения задачи
кластеризации.
4. РАЗРАБОТКА И ИССЛЕДОВАНИЕ НОВОГО МЕТОДА КЛАСТЕРИЗАЦИИ НА ОСНОВЕ ХНС
4.1. Имитационное моделирование ХНС по модели Ангелини
4.1.1 Разработка имитационной модели ХНС
4.1.2. Разработка плана экспериментов.
4.1.3. Принцип функционирования ХНС на примере простейшего изображения
4.1.4. Исследование зависимости результатов кластеризации от начальных условий
4.1.5. Исследование зависимости результатов кластеризации от времени наблюдения
4.1.6. Исследование зависимости результатов кластеризации от времени переходного
процесса.
4.1.7. Исследование зависимости результатов кластеризации от числа ближайших соседей.
4.1.8. Кластеризация сложных изображений с помощью хаотической нейронной сети
4.2. Разработка нового метода кластеризации на основе ХНС
4.2.1. Использование триангуляции Делоне для управления динамикой ХНС
4.2.2. Недостатки существующего метода обработки значений выходов ХНС
4.2.3. Типы синхронизации в хаотической нейронной сети.
4.2.4. Новый метод выявления фазовой синхронизации хаотических сигналов
4.2.5. Новый метод выявления кластерной фрагментарной синхронизации
хаотических сигналов в динамических системах большой размерности.
4.2.7. Анализ полученных результатов.
Выводы.
5. ПРАКТИЧЕСКОЕ ПРИЛОЖЕНИЕ ХАОТИЧЕСКОЙ НЕЙРОННОЙ СЕТИ
5.1. Задача информационного поиска
5.2. Кластеризация в задаче информационного поиска
5.3. Анализ полученных результатов
Выводы.
ЗАКЛЮЧЕНИЕ ва
СПИСОК ИСПОЛЬЗОВАНННЫХ ИСТОЧНИКОВ.
ПРИЛОЖЕНИЕ 1. ОПИСАНИЕ ТЕСТОВЫХ НАБОРОВ ДАННЫХ
ПРИЛОЖЕНИЕ 2. ГРАФИЧЕСКИЙ ИНТЕРФЕЙС РАЗРАБОТАННОГО ПРОГРАММНОГО СРЕДСТВА.
ПРИЛОЖЕНИЕ 3. АКТ ВНЕДРЕНИЯ 1.
ПРИЛОЖЕНИЕ 4. АКТ ВНЕДРЕНИЯ 2.
ВВЕДЕНИЕ
Актуальность