РАЗВИТИЕ АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ АНАЛИЗАТОРОВ ТИПА «ИСКУССТВЕННЫЙ НОС» Житков А.Н., Филаретов Г.Ф. Московский энергетический институт, 111250 Москва,

Презентация:



Advertisements
Похожие презентации
StatSoft Russia. Основные идеи нейросетевых методов анализа Простота и однородность отдельных элементов - «нейронов» Все основные свойства сети определяются.
Advertisements

Нейросетевые технологии в обработке и защите данных Обработка данных искусственными нейронными сетями (ИНС). Лекция 5. Алгоритмы обучения искусственных.
Самообучающиеся компьютерные системы НА ПРИМЕРЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.
ИСПОЛЬЗОВАНИЕ МОДИФИЦИРОВАННОЙ НЕЙРОСЕТИ С СЕЛЕКЦИЕЙ СУЩЕСТВЕННЫХ СВЯЗЕЙ ДЛЯ РАСПОЗНАВАНИЯ КОДОВ НА WEB-САЙТАХ Хакасский государственный университет им.
Нейронные сети. Автор презентации: Фомичёв Роман Студент гр.Ф051 ФизФак КемГУ Живёт в Кировском Любит мороженое.
Самарский государственный аэрокосмический университет имени академика С. П. Королева Национальный исследовательский университет Выполнили : студент 662.
1 Главным содержанием нейросетевой технологии является создание электронных и программных аналогов естественных нейронных сетей и использование этих аналогов.
Интеллектуальная система управления робототехническими комплексами Общая концепция.
Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В.
Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В.
Нейро-автоматное управление в машинном обучении Выполнил: Губин Ю.А. ст. гр Руководитель: Шалыто А.А. д.т.н, проф., зав. каф. ТП, СПбГУ ИТМО.
Нейронные сети В образовании. + - = Что нам нужно? Массив арифметических операторов. Шаблон для вариантов алгоритма. a + b + c = d a + b - c = d a -
Булкин Виталий Иванович, зав. секцией информационных технологий, доцент кафедры прикладной математики и информационных технологий, Макеевский экономико-
С ТАТИСТИЧЕСКИЕ МЕТОДЫ ОБУЧЕНИЯ РАСПОЗНАВАНИЮ ОБРАЗОВ Студент гр Хиндикайнен А.С.
Нейронные сети. Лекция 2 базовая искусственная модель; применение нейронных сетей; сбор данных для нейронной сети; пре/пост процессирование; многослойный.
Анисимова Эллина 911 МП. Нейронные сети Нечёткая логика Нейро- нечёткие системы.
Методы построения моделей штатной работы ПО и алгоритмы выявления аномального поведения ПО Жилкин Сергей Дмитриевич МИФИ, факультет Информационной Безопасности.
Нейросетевые технологии в обработке и защите данных Лекция 4. Обработка данных искусственными нейронными сетями (ИНС). Формальный нейрон. Функции активации.
ПОСТРОЕНИЕ МОДЕЛИ СУТОЧНОГО ТРАФИКА С УЧЕТОМ ЕГО НЕСТАЦИОНАРНОСТИ Репин Д.С., зам. зав. отделом ГНУ ГНИИ ИТТ «Информика» Филаретов Г.Ф., научный руководитель.
МОДУЛЬНАЯ АРХИТЕКТУРА НС. Каждая входная переменная связана только с одним из входов модулей. Выходы всех входных модулей соединены с модулем решения.
Транксрипт:

РАЗВИТИЕ АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ АНАЛИЗАТОРОВ ТИПА «ИСКУССТВЕННЫЙ НОС» Житков А.Н., Филаретов Г.Ф. Московский энергетический институт, Москва, Красноказарменная, 14 Московский институт кибернетической медицины, Москва, ул. Миклухо-Маклая, 16/10

Анализатор типа «Искусственный нос»

Прикладное программное обеспечение Два основных режима: Режим настройки – система на эталонных образцах обучается распознаванию требуемых классов продуктов. Рабочий режим – в нем обученная система используется для идентификации неизвестных образцов

Методы классификации (распознавания СтатистическиеНейросетевые С использованием нечеткой логики

Статистические методы классификации классические статистические методы классификации; статистические методы, использующие идею уменьшения размерности факторного пространства (метод главных компонент, факторный анализ) Варианты метода главных компонент (МГК) -Базовый (исходный) вариант МГК -Модифицированный вариант МГК -Метод разделенных главных компонент (МРГК)

Пример применения классического МГК

Метод разделенных главных компонент

Нейросетевые методы классификации Многослойный персептрон Автоассоциативные искусственные нейронные сети (ИНС) Самообучающиеся ИНС (карты Кохонена, контекстные карты и т.п.) Ассоциативные ИНС ИНС на основе радиальных базисных функций ИНС на основе опорных векторов Нейродинамические структуры

Комбинированные алгоритмы на основе ИНС Многослойный персептрон + многослойный персептрон Автоассоциативная искусственная нейронная сеть + многослойный персептрон Сеть Кохонена + многослойный персептрон Автоассоциативная искусственная нейронная сеть + сеть Кохонена

Пример трудноразделимых классов

Последовательное разделение

Пример комбинированной ИНС