Методы распознавания образов в массивах взаимосвязанных данных

Содержание
Введение.
1. Проблема распознавания образов в анализе массивов взаимосвязанных данных
1.1. Массивы взаимосвязанных данных и задачи их анализа.
1.2. Специфика задачи распознавания образов в массивах взаимосвязанных данных.
1.3. Методы распознавания событий в сигналах со сложной структурой
1.4 Проблема малой выборки и методы регуляризации процесса
обучения.
1.5. Основные задачи исследования.
2. Вероятностный подход к распознаванию взаимосвязанных объектов .
2.1. Граф смежности совокупности взаимосвязанных объектов
2.2. Скрытое марковское случайное поле принадлежностей объектов к классам .
2.3 Локальные индивидуальные апостериорные вероятности классов
объектов
2.4. Апостериорное марковское случайное поле классов совокупности взаимосвязанных объектов.
2.5. Трудности реализации оптимальных решающих правил распознавания для произвольного графа смежности взаимосвязанных объектов . .
3. Процедуры распознавания для древовидных совокупностей взаимосвязанных объектов.
3.1. Априорное и апостериорное древовидные марковские поля
3.2. Процедура фильтрации.
3.3. Процедура интерполяции.
3 4 Древовидная аппроксимация решетчатых графов смежности
4. Процедуры обучения восстановление функций локальных апостериорных вероятностей классов в пространстве признаков.
4.1. Обучение на основе метода опорных векторов
4.2. Обучение на основе восстановления функций апостериорных
вероятностей классов
4.3. Прямое восстановление апостериорных вероятностей классов
5. Обучение распознаванию линейно упорядоченных совокупностей
взаимосвязанных объектов. 8е
5 1. Вероятностная задача распознавания потока событий.
5 Распознавание скрытой марковской последовательности случайных
событий
5.1.2. Распознавание марковского случайного поля с цепочечным графом
смежности элементов.
5.2. Детерминистская задача распознавания последовательности
событий .
5.2.1. Задача обучения и разделимость обучающего множества
5.2.2. Алгоритмы обучения
5 2.3. Формирование признаков
5.2.4. Последовательное распознавание событийi
5.2.5 Источник кривых и граф возможных решений о классах
событий.
5 2.6. Алгоритм распознавания
6 Обучение распознаванию образов в пространствах взаимосвязанных
признаков
6.1. Природа пространств взаимосвязанных признаков.
6.2. Требование гладкости решающего правила как метод регуляризации при обучении распознаванию образов по малым выборкам
6 3 Построение оптимальной разделяющей гиперплоскости по методу
опорных векторов с учетом гладкости решающего правила
6.4 Восстановление функций апостериорных вероятностей классово
учетом критерия гладкости
6.5. Выбор величины штрафа па негладкость решающего правила.
6.6. Регуляризация с учетом коррелированности признаков.
7. Обучение распознаванию образов в пространствах признаков парных отношений между объектами
7.1. Пространство признаков парных отношений между объектами
7.2. Оптимальное линейное решающее правило распознавания
7.3. Регуляризация решающего правила по критерию гладкости
7.4. Кластерные методы регуляризации.
8. Обучение распознаванию зон коллекторов нефти и газа в монолитных породах по данным сейсморазведки с использованием результатов испытаний скважин.
8.1. Проблема сейсмической разведки месторождений нефти и газа в монолитных породах
8.2. Текстурные признаки локальных коллекторских свойств породы в массивах данных сейсмической разведки.
8.3. Обучение распознаванию зон коллекторов с использованием скважинной информации в качестве данных учителя.
8.4. Прогноз зон коллекторов в фундаменте месторождения Бомбей
9. Обучение распознаванию классов пространственной структуры белков .
9.1. Проблема распознавания классов пространственной структуры
белковг1
9 2. Формирование пространства признаков
9.3. Исходные данные и результаты предварительных исследований
9.4. Улучшение надежности распознавания.
Основные научные результаты работы
Литература