Ви є тут

Синтез алгоритмов нейросетевого распознавания образов и восстановления зависимостей в условиях непараметрической неопределенности

Автор: 
Зарипова Юлия Хайдаровна
Тип роботи: 
кандидатская
Рік: 
2010
Кількість сторінок: 
159
Артикул:
21460
179 грн
Додати в кошик

Вміст

Введение
ГЛАВА 1. Инструментарий интеллектуального анализа данных и роль синтеза нейросетевых прогностических моделей в его составе.
1.1 Задачи и методы интеллектуального анализа данных.
1.1.1 Виды задач и этапы интеллектуального анализа данных
1.1.2 Анализ методов интеллектуального анализа данных
1.1.3 Практическое применение процедур интеллектуального анализа данных.
1.2 Синтез прогностических моделей на основе эмпирических данных.
1.2.1 Структура системы, реализующей прогностическую модель, на примере распознавания образов.
1.2.2 Этапы обучения прогностической модели
1.3 Задачи синтеза прогностических моделей.
1.3.1 Оптимальное решающее правило в задаче классификации.
1.3.2 Методы синтеза прогностических
моделей.
1.3.3 Функция среднеквадратической
регрессии
1.3.4 Постановка задачи обучения по эмпирическим данным
1.4 Подходы к нейросетевому решению задач
интеллектуального анализа данных
1.4.1 Архитектура нейронных сетей прямого распространения
1.4.2 Нейросетевые прогностические модели классификатор и регрессионная модель
ГЛАВА 2. Процедуры синтеза и применения прогностических моделей в интеллектуальной информационноаналитической системе.
2.1 Интеллектуализация процедур распознавания образов
и восстановления зависимостей
2.1.1 Этапы синтеза нейросетевых моделей
2.1.2 Виды гибридных интеллектуальных систем
2.1.3 Архитектура гибридной интеллектуальной информационноаналитической системы
2.2 Снижение размерности пространства признаков
2.2.1 Способы снижения размерности пространства признаков
2.2.2 Алгоритмы отбора атрибутов
2.2.3 Повышение эффективности отбора атрибутов на основе предварительной оценки информативности признаков
2.3 Анализ качества прогностических моделей на основе теоретикоинформационного подхода
2.3.1 Определение близости условных распределений.
2.3.2 Определение точности восстановления зависимостей.
2.3.3 Оценка качества классификации.
2.4 Оценка эффективности бинарных классификаторов на основе минимального среднего риска
ГЛАВА 3. Методы и алгоритмы обучения нейросетевых
прогностических моделей
3.1 Байесовская методология.
3.1.1 Структурнопараметрический синтез нейросетевых моделей на основе байесовской методологии
3.1.2 Семейство алгоритмов обучения нейросетевых моделей
3.2 Обучение нейросетевых классификаторов.
3.2.1 Синтез классификатора на основе нейронной
сети с радиальными базисными функциями
3.2.2 Синтез классификатора на основе вероятностной нейронной сети
3.2.3 Моделирование алгоритмов нсйросетевой классификации.
3.3 Обучение нейросетевых моделей для восстановления
зависимостей.
3.3.1 Восстановление зависимостей на основе обучения нейронных сетей
3.3.2 Моделирование алгоритмов нейросетевого восстановления зависимостей.
3.4 Способ синтеза прогностической модели с непрерыв
ными и номинальными факторными переменными
ГЛАВА 4. Реализация и применение разработанных алгоритмов
4.1 Алгоритмическое и программное обеспечение нейросе
тевой классификации и восстановления зависимостей.
4.2 Применение разработанных процедур для задач распо
знавания образов
4.2.1 Распознавание объектов на изображениях при помощи нейросетевого классификатора.
4.2.2 Применение нейросетевого классификатора в сейсмоакустической системе рубежного контроля
4.2.3 Применение нейросетевого классификатора для фильтрации спама.
4.3 Применение разработанных процедур для задач
восстановления зависимостей.
4.3.1 Расчет зон покрытия базовых станций в сетях подвижной радиосвязи
4.3.2 Анализ моделей энергопотребления организаций
4.3.3 Восстановление осевой линии подземного трубопровода на основе измерительных данных
Заключение.
Список литературы