Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками Деркачев Александр Николаевич

Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками
<
Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками
>

Диссертация, - 480 руб., доставка 1-3 часа, с 10-19 (Московское время), кроме воскресенья

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Деркачев Александр Николаевич. Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками : диссертация... канд. техн. наук : 05.13.11 Воронеж, 2006 128 с. РГБ ОД, 61:07-5/3429

Введение к работе

Актуальность темы исследования. Практически в любой сфере человеческой деятельности приходится сталкиваться с задачей классификации - отнесение некоторого объекта, заданного набором параметров, к классу подобных объектов. Об актуальности этой задачи говорит то множество методов, которые были разработаны для ее решения.

Более сложной, но не менее актуальной, является задача многомерной классификации, когда число классификационных признаков, характеризующих объект, велико. С развитием средств вычислительной техники и математического аппарата эффективным способом решения задачи многомерной классификации стало применение нейронных сетей. Разработке нейросетевых структур были посвящены работы Ф. Розенблатта, Д. Хопфилда, Т. Кохонена и др.

При решении практических задач применение нейросетевых методов классификации зачастую затруднено тем, что параметры, характеризующие объект, имеют различную природу и описываются как количественными, так и качественными признаками одновременно. Такие задачи часто встречаются в банковской и социальной сферах, медицине и т.п. Часто решение задачи классификации является необходимым этапом в решении более глобальных задач (например принятие управленческих решений и т.п.) и от качества решения задачи классификации во многом зависит качество решения задачи в целом.

Отдельные попытки преодоления этих недостатков есть в работах В.В. Круглова, А.А. Ежова, А.Б. Барского, однако существующие способы учета качественных входных признаков имеют существенные недостатки, связанные с неполным отображением смысла, заключенного в нечеткой переменной при ее преобразовании к четкому виду. Особенно эта ситуация осложняется в том случае, когда нечеткие данные не могут быть легко приведены к четкому виду при помощи прямых методов определения функции принадлежности.

Необходимость развития существующего нейросетевого аппарата для более эффективного решения задач многомерной классификации объектов с разнородными признаками обуславливает актуальность темы исследования.

Одним из путей преодоления недостатков существующих моделей нейронных сетей является комбинирование возможностей существующих нейросетевых моделей с возможностями, предлагаемыми аппаратом теории нечетких множеств.

Актуальность данного диссертационного исследования обусловлена необходимостью повышения эффективности существующих средств математического и программного обеспечения (реализуемого в рамках существующих пакетов и программных систем, таких как Matlab, Statistica и т.п.) при решении задач многомерной классификации объектов с разнородными признаками.

Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета "Вычислительные системы и программно-аппаратные комплексы".

Цель работы н задачи исследования. Целью работы является разработка специального математического и профаммного обеспечения многомерной классификации на базе нейронных сетей и нечетких множеств для повышения эффективности решения задачи классификации объектов с разнородными признаками.

Для достижения поставленных целей необходимо решить следующие задачи:

  1. Провести анализ различных подходов к решению задачи классификации многомерных объектов.

  2. Разработать модель классификации многомерных объектов, базирующуюся на аппарате нечеткой логики и нейронных сетях, и алгоритмы ее параметрической идентификации.

  3. Программно реализовать создашгую модель нейросетевой классификации многомерных объектов и алгоритмы ее идентификации для применения модели в прикладных программах.

  4. Провести сравнительный анализ эффективности предложенных методов классификации при различных тестовых выборках, отличающихся начальными условиями и параметрами.

  5. Осуществить практическую апробацию прикладных разработок применительно к задаче распределения банковского продукта.

Методы исследовании. В ходе исследования использовались методы теории математического моделирования, оптимизации, математической статистики, теории нечетких множеств, фафов, аппарат нейронных сетей, методы объектно-ориентированного профаммирования.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

  1. структура нейронной сети, обеспечивающая работу одновременно как с четкими, так и с нечеткими входными данными, отличающаяся учетом семантики нечетких переменных при кодировании нечетких входных сигналов сети;

  2. алгоритм обучения нейронной сети, позволяющий учесть как четкие, так и нечеткие входные данные и отличающийся возможностью автоматического уточнения значений функции принадлежности, определенных экспертным путем;

  3. модель многомерной классификации, позволяющая учесть при классификации как количественные, так и качественные параметры, отличающиеся

неприводимостью к четкому виду с помощью прямых методов определения функции принадлежности; 4. специальное программное обеспечение, реализующее предложенную нейросетевую модель многомерной классификации для решения задачи распределения банковского продукта и отличающееся возможностью хранения и оперирования как четкими, так и нечеткими данными одновременно.

Практическая значимость работы. Практическая значимость диссертационной работы заключается в разработке математического обеспечения многомерной классификации объектов с разнородными признаками на базе нейросетевой модели многомерной классификации, а также алгоритмической и программной реализации предложенной модели, что позволило автоматизировать процесс распределения ограниченного банковского продукта по филиальной сети банка.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы реализованы в специальном программном обеспечении «Классификация многомерных данных», позволяющем решить задачу нейросетевой классификации многомерных объектов с разнородными признаками. На ее основе разработано специальное программное обеспечение «Распределение банковского продукта», позволяющее решить задачу распределения банковского продукта по филиальной сети, которое внедрено в практическую деятельность филиала ОАО Национальный банк «Траст» в г. Воронеже.

Апробация работы. Основные положения диссертации докладывались и обсуждались на Международной (VIII Тамбовской межвузовской) научно-практической конференции (Тамбов, 2004), 1-П-й Международных научно-практических конференциях «Единое информационное пространство» (Днепропетровск, 2003-2004), Всероссийской научно-технической конференции «Информационные технологии» (Воронеж, 2005), Региональной молодежной научной и инженерной выставке «Шаг в будущее, Центральная Россия» (Липецк, 2003), Международной открытой научной конференции «Современные проблемы информатизации» (Воронеж, 2004, 2006), а также на научных семинарах кафедры ABC ВГТУ (Воронеж, 2003-2006).

Публикации. По результатам исследований опубликовано 17 научных работ, в том числе 1 - в издании, рекомендованном ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателем предложены: в [2, 3, 5, 6, 7, 10] - основные принципы использования нейронных сетей для автоматизации скоринг-оценок, в [14] - методы сокращения количества адаптируемых параметров сети, в [13] - расширение модели Курно для случая двухпродуктовой конкуренции, в [1] - структура нейронной сети, позволяющая учитывать нечеткие входные переменные.

>,

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложена на 128 листах, содержит список литературы из 117 наименований, 34 рисунка, 8 таблиц.

Похожие диссертации на Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками