Каталог / ТЕХНИЧЕСКИЕ НАУКИ / Математическое моделирование, численные методы и комплексы программ
скачать файл:
- Название:
- Болдырев, Сергей Владимирович. Фильтрация сигналов посредством вейвлет-преобразования в нейросетевых системах классификации образов
- Альтернативное название:
- Болдирев, Сергій Владимирович. Фільтрація сигналів, що реагують на перетворення в нейросетевих системах класифікації зображень Boldyrev, Sergey Vladimirovich. Signal filtering by wavelet transform in neural network image classification systems
- Краткое описание:
- Болдырев, Сергей Владимирович. Фильтрация сигналов посредством вейвлет-преобразования в нейросетевых системах классификации образов : диссертация ... кандидата технических наук : 05.13.18 / Болдырев Сергей Владимирович; [Место защиты: Ставроп. гос. ун-т].- Ставрополь, 2012.- 147 с.: ил. РГБ ОД, 61 12-5/3036
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
Болдырев Сергей Владимирович
^ Г . •
ФИЛЬТРАЦИЯ СИГНАЛОВ ПОСРЕДСТВОМ ВЕЙВЛЕТ- ПРЕОБРАЗОВАНИЯ В НЕЙРОСЕТЕВЫХ СИСТЕМАХ КЛАССИФИКАЦИИ ОБРАЗОВ
05.13.18 - Математическое моделирование, численные методы и комплексы программ
ДИССЕРТАЦИЯ ,
04201268493
CNJ
О
см
рб
о
•
со
о
на соискание ученой степени кандидата технических наук
Научный руководитель - заслуженный деятель науки и техники РФ,
доктор технических наук,
профессор
Н.И. Червяков
Ставрополь - 2012
Введение 5
Глава 1. Анализ методов и алгоритмов распознавания и классификации образов 14
1.1. Анализ задачи распознавания и классификации
образов ...... 14
І її/”4 Ч * • Ч г ' ” 4 ^
1.2. Аналитический обзор метрдов распознавания и классификации образов 16
1.3 Построение математической модели системы классификации образов 22
1.4 Основные задачи решаемые в проце.ссе построения систем
1 К s
классификации • ..v. 24
■ і ~ ч , 1 і 1
1 і / >
1.5 Задача ЬЫявлсЖия существенных признаков объекта классификации 29
1.5.1 Преобразование Фурье 30
1.5.2 Косинусное преобразование 31
'' 1.5.3 Веивлет^преобразование ........... ....... ;Л>33'
*ч І ' ' 'ч І Ч.''
1.6. Анализ и сравнение алгоритмов выявления классообразу)ощих - 1
; ' _ ' І 4 _ ' 4 _ ' _ ’ _ * ^ _ . / _ ' признаков 36
1.7. Аналитический обзор нейросетевых алгоритмов классификации образов 40
1.8. Оценка эффективности работы системы классификации образов 50
" ч *
1.9. Постановка задачи исследования.^^; 53
■ і ■ і
Выводы по первой главе /... ; ..s. <. 54
Глава 2. Пр именение дискретного вейвлет - преобразования и
нейросетей при решении задачи обработки сигналов 55
2.1. Эффективность применения дискретного вейвлет-преобразования для задачи распознавания и классификации сигналов 55
* ~ ч ' " ч ' * / ‘ ' ' ~ ч / " 4 - ' , ' ~ v ' " ч /
2.2-. Частотно-Временная локализация вейвлет-гірейбразования : 57
1 < ' Г ' " " Т" ' ' I ' *' I г ' t ' Iі
* I ^ / I г I I | f
2.3. Принцип применения кратномасштабного анализа 6Q
2.4. Ортогональные вейвлеты с компактным носителем 63
Ч / " ' , % ' Ч ' % / Ч /
' ' * I * , , 9 ' ‘ * , / 1 I 1 " ' 1 1 Г
I ' ’ 1 ' ■ > ,! '
■ 2.5. Применение алгоритма быстрого вейвлет-преОбразованйя ',....;....:.67
/ 4 _ ' X _ / v _ ' ' _ ' ч _ ' | , 4 _ ' t >
2.6. Нейросетевая структура и ее математическая модель для
реализации быстрого вейвлет-преобразования 70
2.6.1. Алгоритм построения структуры нейросети для реализации
вейвлет-преобразования 75
/ Ч /■
/ I
2.6.2. Построение дискретного вейвДет-базиса для быстрой нейронной
- Т - у У 1 / -■ '
' . ' I ' Т Ч ' J '
_ / сети.. : 78
Выводы по второй главе 80
Глава 3. Построение и применение вейвлет-фильтров 81
3.1 Построения метода вейвлет-фильтрации сигнала 81
3.2 Метод интерполяции вейвлет-коэффициентов после процедуры.
* 1 ] ' ' , » ' ' , / 1 1 ‘ * 1 1 ‘ '
; 4. 'Де£гим,аци*г в процессе восстановлений сигналам помощью ; 4. *'
. % J г ] ' ' »
интерполяционных многочленов..... .... ; ... .„88
3.2.1 Метод быстрой интерполяции значений сигнала между отсчетами 91
3.3 Подбор оптимального набора фильтров 94
/ 3.4,Алгоритм очйсткй ц восстановления зашумленного сигнала с / ~' Г
; помощью вейвлет-фиїттьтра.. 97
' / 4 ' ч ^ | ( ' / ( ' / Ч / 4 / ' < ч
Выводы по третьей главе 100
Глава 4. Построение эффективных нейросетевых алгоритмов для
предварительной обработки и классификации сигналов 101
4.1. Реализация математической модели нейросетевого метода
, ~ " , ' ' N ' ” ч ' " ч " * / ’ ' ' ' V , ' 4 " ,
1 ; / быстрого вейвлет-преобразования .j г.........101
’ - ■ ■ ! “ '• '“т‘
•4.2.. Разработка эффективного нейросетевого алгоритма для • ;
классификации образов С использованием ПрИНЦИПОВ /* 1587399197 */
самоорганизации 108
4.2.1 Оптимальный подбор метрики и нормализация входных векторов 109
• ' ч I ‘ ' 1 I ‘ ' , , ' ' *
4.2.2 Построение структуры нейронной сети для классификации - - '
і *
• * ' > . , ' ' 1 * ч *
- - 'образов..;......-.'. / 411
4.3. Моделирование и исследование производительности алгоритма классификации с использованием дискретного
вейвлет-преобразования и гибридной нейронной сети 115
Выводы по четвертой главе 119
Заключение 120
Литература 122
Приложение А 132
Приложение Б 139
Приложение В 146
Приложение Г 147
Диссертация посвящена разработке предварительной обработки сигналов посредством дискретного вейвлет-анализа в нейросегевых алгоритмах классификации-, образов---на * основе - самоорганизующихся сетей и
• I - - / ' ч ' І ' - - X
использованию этих методов в сигстемах автоматического распознавания.
' ' ' ч 1 , > ' ' ' ‘ ‘ ' •
4 _ ' ' _ ' ' , ' . / N _ у / 4 - ' ' - '
Актуальность темы исследования. В настоящее время идет
интенсивное развитие многих направлений обработки информации. Научное направление, связанное с построением и применением систем распознавания и классификации, образов в настоящее время является одним из; самь)х
Ч| 1 I 1 у 4 у •
востребованных. /* 1587399204// ' - - . ' - ' • ,
Решение задачи классификации образов, с прикладной точки зрения, важно, прежде всего потому, что оно дает возможность автоматизировать различные процессы, которые до сих пор ассоциировались только с
деятельностью живого мозга. С помощью систем классификации возможно
' " N / " ' * " " , ' ' г ' ” Ч ' " Ч ' * , 4 / " Ч , " 4 / '
решение широкого круга задач. К'ним возможно отнести не'только задачи
I “ * , * I , ' , 1 Iі / 4 Т ~ , 1 I " I
обработки -звуковых и зрительных' сигналов, но : также распознавание сложных явлений и процессов, возникающих, к примеру, при выборе
наиболее оптимального управления экономическими, транснортными, технологическими операциями, либо при выборе целесообразных действий
руководителем предприятия., В таких задачах про^сх^одит анализ некоторых-
1 І / ' 1 ; / ' /
процессов!или явлений:- -/* 1587399204!*/-'/ . ! •
і , . * , ; % , і
^ / ' / ч ' ^ / ч / ч х ^ '
Существующие подходы к решению задач обработки и классификации сигналов, основанные на использовании вейвлет-анализа и нейросетевых методов предложенные и развитые в работах Оссовского С., Редько В.Г., Галушкина А.И., Дорогова А.Ю., Дремина И.Л., Анисимовича К.В., /Астафьёзрй Н.М., Маллата (Mallat S.)> Червякова Н.И.у Тёрёхова
і І . ^1,- - 1 I ' I ' Г I Jl . >
t * I y 1 1 V 4 . r 'I
w / / ч t T “ w _ /
Васильева В.И, Гадзйко4ского В.И., Горелика АЛ.* Дьяконова В,ГЦ Кохена
ч /
(Cohen А.), Видрова (Widrow В.) и других ученых являются эффективными и во многом превосходят существующие методы. Но все же проблема применения этих методов для совершенствования систем классификации сигналов, особенно в тех случаях когда сигналы являются нестационарными, зашумленными либо информация о них является неполной недостаточно исследована. /* 1587399213 */
Известно, что нейросети по своей природе представляют собой попытку построения системы, которая в какой-то степени моделирует работу биологических нейронов. Важнейшей особенностью нейросетей является возможность обучения, обобщения накопленных знаний и параллельная обработка поступающей на ее входы информации. Сеть которая была обучена на неполном массиве данных, имеет способность к обобщению полученной информации и способна показать результат на тех данных, которые не использовались в обучении. Характерной особенностью нейросетей является возможность реализации с применением технологии сверхбольшой степени интеграции. Данное обстоятельство дает возможность создания специализированного процессора с однородной структурой, который способен перерабатывать разнообразную информацию.
При построении систем классификации мы сталкиваемся с обработкой большого количества данных. Иногда, поступающие для классификации объекты содержат помехи, наводки и шум. Для решения данной проблемы применяются различные методы предварительной обработки и очистки сигнала от шума. Высокие результаты получаются в результате применения методов на основе вейвлет-преобразования. Теория вейвлетов дает более гибкую технику обработки сигналов, чем преобразование Фурье. Оно предоставляет возможность анализа сигнала не только по его частотным составляющим, но и локализует их. В процессе построения нейронных сетей применение предварительной обработки сигналов, входящих как в обучающую выборку так и непосредственно в сами классифицируемые сигналы посредством вейвлет-анализа позволяет повысить скорость и качество обучения сети. /* 1587399213 */
При Использовании вейвлет-анализа 'для обработки графической информации целесообразно использование методов кратномасштабного анализа и быстрого алгоритма нахождения вейвлет-коэффициентов. Многомасштабное представление дает возможность рассмотрения сигнала на разных уровнях его разложения. В то время как алгоритм быстрого вейвлет-
' ‘ ' Г ' “ ч Г ' V Г ' ~ ч
I I I I I
I I I I
преобразования позволяет обойти; Вычисление - большого количества
1 %Л * Ч * Ч » ч * Ч *
I I I • I • I / I /
интегралов. К тому же существует-возможность построения нейросетёвой структуры, реализующей алгоритм быстрого вейвлет-преобразования. Данной структурой являются так называемые быстрые нейронные сети.
Таким образом исследования, проведенные в данной работе являются актуальными и практически значимыми. /* 1587399216 */
/ ч Г / ч Г У ч Г / ч Г / % Г
Целью диссертационной работы является повышение скорости и
ч * ч * ч ^ ч * ч N
.точности работы нёйросетевых систем классификации образов с помощью предварительной обработкой сигналов посредством вейвлет-анализа.
Задачи диссертационной работы. Для достижения вышеуказанной цели решаются следующие задачи: /* 1587399216 */
1. Систематизация и анализ методов и алгоритмов распознавания и классификации сигналов. /* 1587399216 */ '
2. Разработка методов выявления классообразующих признаков объекта
У / ЧУ / ЧУ / ЧУ / ЧУ/
ч ч . ч ч . ч ч . ч v . ч
классификации. /* 1587399216 */
3. Разработка методов предварительной обработки и очистки сигналов от шума посредством дискретного вейвлет-анализа. /* 1587399216 */
4. Построение математической модели нейросетевой структуры, реализующей быстрые алгоритмы нахождения вейвлет-коэффициентов.- - ; - -
I I I I I
' - ‘ - ‘ - ' - ‘ -
5. Разработка метода" интерполяции" вейвлет-коэффициентов после
Ч Ч ч ч Ч
чу ✓ чу ✓ чу / ЧУ / ЧУ
процедуры децимации в процессе восстановления сигнала. /* 1587399216 */
6. Разработка эффективного нейросетевого алгоритма классификации на основе самоорганизующихся алгоритмов обучения и методов предварительной вейвлет-фильтрации сигналов. /* 1587399216 */
7. Разработка системы компьютерного моделирования в среде разработки C++, моделирующая алгоритм предварительной обработки сигналов.
Объектом исследования в данной диссертационной работе является цифровая фильтрация в системах классификации образов. /* 1587399220 */ Предметом исследования являются методы и алгоритмы предварительной обработки сигналов в системах классификации образов на основе нейросетевых структур. /* 1587399220 */
Методы исследования. Для решения поставленных в работе задач использованы методы теории искусственных нейронных сетей, вейвлет- анализа, математического моделирования, линейной алгебры, математического анализа, синергетики, системного анализа, дискретной математики, теории автоматического управления, теории вероятностей, численных методов. /* 1587399220 */
Достоверность и обоснованность полученных в диссертационном исследовании теоретических результатов и формулируемых на их основе выводов обеспечивается строгостью математических выкладок. Проводимым компьютерным моделированием обеспечивается достоверность выводов об эффективности предложенных методов и алгоритмов. /* 1587399220 */
Моделирование и вычислительный эксперимент проводились с использованием математического пакета Mathworks MATLAB v7.4 R2007a и языка программирования C++. /* 1587399220 */
Теоретическая значимость работы заключается в следующем:
1. Построены методы обработки и очистки сигнала от шума посредством дискретного вейвлет-анализа и быстрых нейронных сетей. /* 1587399220 */
2. Достигнуто повышение эффективности нейросетевого алгоритма для классификации графических образов с помощью построенных методов вейвлет-фильтрации. /* 1587399220 */
Практическая значимость. Практическое использование результатов дает возможность: /* 1587399220 */
- повысить скорость и качество классификации сигналов благодаря разработанной модели гибридной нейросети на основе самоорганизующихся алгоритмов обучения и методов обработки и очистки сигнала от шума;
- обеспечить повышение скорости вейвлет-обработки сигналов благодаря ее реализации с помощью нсйросетевых методов; /* 1587399225 */
- производить оба этапа обработки данных (предобработка и классификация) используют одни и те же средства реализации - нейронные сети;
Полученные результаты могут быть использованы в построении эффективных систем обработки сигналов. /* 1587399225 */
Положения выносимые на защиту: /* 1587399225 */
1. Обоснование эффективности применения методов вейвлет-фильтрации для предварительной обработки сигналов (выявления классообразующих признаков и очистка от шума) поступающих на входы нейронной сети.
II
2. Метод интерполяции вейвлет-коэффициентов после процедуры децимации в процессе восстановления сигнала с помощью интерполяционных многочленов. /* 1587399225 */
3. Математическая модель и алгоритм нейросетевой реализации быстрого вейвлет-преобразования на основе применения быстрых (ядерных) нейронных сетей. /* 1587399225 */
4. Применение нейросетевых алгоритмов для реализации обоих этапов обработки данных (предобработки и классификации). /* 1587399225 */
5. Комплекс проірамм в среде разработки C++ для моделирования алгоритма
і і •
предварительной обработки сигналов. /* 1587399225 */
Личный вклад соискателя. Приведенные в работе результаты исследований были получены при непосредственном участии автора. Автору принадлежат: построение и исследование оптимального алгоритма вейвлет- фильтрации на базе ортогональных вейвлетов и быстрых нейросетей; выбор экспериментальных исследований и их проведение; наглядная интерпретация полученных в исследовании результатов; формулировка рассматриваемых научных положений и выводов. /* 1587399225 */
Реализация и внедрение результатов работы. Теоретические и практические результаты диссертационной работы были реализованы в Научно-производственном объединении «СайТЭК» для обработки данных
- ч химического И микробиологического - анализа , ингредиентов с ' 'ПОМОЩЬЮ
; ' /'/'•_ 'т! 1 ) ' 1 1 /
-''спектрального анализа и вейвлет-преобразования ' получаемых- с приборов
/ 1 • » і * * ' • ч . * • . * • t /
, ' _ ' s _ у ' _ ' ' _/ ч ^ ' , ' ' , ' х _ у
графиков для проверки соответствий заданным требованиям й вейвлег- обработки цифровых изображений при съемке световым микроскопом.
Апробация результатов работы. Результаты исследования были представлены в журнале «Инфокоммуникационные технологии» (г. Самара 2008), в журнале «Успехи современного естествознания» (г. Москва, 2008), в
< 1 ^ ~ , 'і 1 * і 1 ' ~ ' v* 1 1
- — Т “ * „ / Г ух
• ,1 а ' * I • у . ■ J I |
журнале '«Фундаментальные исследования»' (Москва, 2008), в -журнале- сборнике «Математическое моделирование развития северных территорий Российской Федерации» (г. Якутск, 2008), в журнале "Инфокомму¬никационные технологии в науке, производстве и образовании (Инфоком-3)" (г. Кисловодск, 2008), в журнале-сборнике «Информационные технологии в
* / * 4 ' * ч ✓ " 4 " , ' " s * ~ s ' " ч ' * / " 4 ' ’ ч
' ' | ‘ ^ | ‘ ' ' V ' I ' 1 I ' ' '
Л науке,fобразовании ,и экономике» (г. Якутск; 2008), в журнал^ «Актуальные
I ^ ^ I ^ ^ I / V / * | * ^ f
проблемы.' и г инновации в экономике,-' управлении, ^образовании, информационных технологиях 2009» (Ставрополь, 2009), в журнале- сборнике «Математическое моделирование развития северных территорий Российской Федерации» (Якутск, 2009), в электронном журнале
у - «Инженерный вестник Дона» (Ростов-на-Дону, 20 1 2). /* -1587399228 ,*/'
1 / / ; *, ■.ч 1 ; ; /
«'" /Публикации. Основные результата- диссертационного исследования
' ' • / ' ' ’ ’ X 1 | ' ' ' I ' • >
'✓«ЧУ у Ч , ^ / Чу Ч у
были отражены в 9 публикациях, из них 2 в журнале, одобренном ВАК.
Программы ЭВМ. Дискретная вейвлет-фильтрация оцифрованных сигналов. Свидетельство о государственной регистрации программы для ЭВМ № 2011612482. Зарегистрировано в Реестре программ для ЭВМ 25 ; марта 2011 г. /*'158739'9228 */ Л ;
4 Г - / I J I У * -
. . ^ 1 1 U 4 . I 1 N I и ш ш *
ч ^ ^ ” ” Т ” v ч ^ >
Содержание работы. Данное диссертационное,1 исследование состоит из введения, четырех глав, заключения, списка литературы и 4-х приложений. Список литературы содержит 112 источников. В работе принята следующая
ю
нумерация формул, картинок и таблиц: первая цифра означает номер главы, вторая - номер соответствующего рисунка, таблицы или формулы внутри главы.
Первая глава посвящена аналитическому обзору методов классификации образов. В ней сформулированы основные проблемные задачи, решаемые при построении эффективных систем классификации. Произведен сравнительный анализ методов выделения классообразующих признаков объектов распознавания. Рассмотрены и проанализированы основные нейросетевые структуры, использующиеся в качестве основы систем классификации. Проанализирована и показана эффективность применения принципов самоорганизации при построении нейросетевого алгоритма распознавания. Рассмотрена эффективность использования дискретного вейвлет-анализа и нейронных сетей для задачи классификации сигналов. Производится постановка задачи исследования. /* 1587399230 */
Во второй главе проводится рассмотрение вопроса решения задачи построения методов предварительной обработки сигналов с помощью инструментов вейвлет-анализа. Рассматривается кратномасштабный анализ как основа быстрого вейвлет-преобразования. Приведены примеры построения прямого и обратного вейвлет-нреоразования с помощью алгоритма Малла и вейвлетов Добеши. Показывается эффективность использования в качестве базисных ортогональных вейвлетов. Приводится метод построения быстрых нейронных сетей, использующихся для реализации алгоритма быстрого вейвлет-преобразования. /* 1587399230 */
Третья глава посвящена построению алгоритмов частотного анализа сигналов на основе теоретического материала рассмотренного во второй главе работы. В данной главе была решена одна из основных рассматриваемых проблем - построение эффективных цифровых фильтров для предварительной обработки и очистки сигнала от шума. При построении данных фильтров был применен алгоритм быстрого вейвлет-преобразования и ортогональные вейвлеты. Также был предложен метод нтерполяции
вейвлет-коэффициентов после процедуры децимации в процессе восстановления сигнала с помощью интерполяционных многочленов.
Четвертая глава посвящена разработке нейросетевых алгоритмов классификации и предварительной обработке сигналов. Было показано, что
' ~ ч ' ' ч ' * ' ' ' ' ' ч / ' 4 / “ ** , ' ' ^ '
структурное подобие,- - существующее. между, ’быстрым вейвлет-
1 •' і 4 - - Т- - ( ^ ,
преобразованием и быстрыми нейронными сетями, 'Позволяет использовать одни и те же средства для реализации обоих этапов обработки данных (предварительной обработки и классификации сигналов). Приведено обоснование применения быстрых нейронных сетей для реализации алгоритма вейвлет-преобразования. Произведено построение, нейросетевого
ч, • • - '*• 1 ! / ‘ I Л- ; • .
алгоритма для реализации - .быст£юго" вейвлет-преобразования.! Для
• • ' ч 1 | f ' ' , ' > > , >,i,i
/ 4 ' . ^ ^ 4 / . v у ч у Чу^у
классификации сигналов произведено построение нейросетевого алгоритма на основе гибридной структуры представляющей собой объединение самоорганизующегося слоя и линейной нейронной сети. Проводится моделирование ранее разработанных алгоритмов предварительной обработки данных посредством быстрого вейвлёт-преобразов^ния й ортогональных
V | 1 ' ~ ' ' 1 ‘ • ^ % , |Г ■ г * * ~ 4 ...»
вейвлетов. ' Проводится сравнительный • анализ /производительности использования различных вейвлетов в предварительной обработке сигналов. Проводится моделирование построенной нейронной сети для реализации алгоритма быстрого вейвлет-преобразования. Также моделируется построенный нейросетевой алгоритм классификации образов. Исследуется
' ' ч ' ~ ч ' л / ' ' ' ' Ч у'' у-' , ' ' , • ' ч
производительность! построенногоч нейросетевого алгоритма по сравнений) с
1 < 1 I ’ Т '■^,| I ' , ' 1 , ч 1 Iі I
другйми. нейросетевыми .структурами для' решения задачи классификации образов. На основании проведенных экспериментов и сравнительного анализа делается вывод об эффективности построенных методов предварительной обработки сигналов и нейросетевого алгоритма для
классификации образов. /* 1587399234 */ —
‘ 1 і ' 1 ' / ’ • ‘ ' ! ' ‘ 1 1 '
В1 заключении содержится краткое описание основных результатов
і f у ^ f I g I ^ f I (
работы и выводы. /* 1587399234 */ ' -'
В приложениях представлен код программы в среде MATLAB для моделирования и оценки разработанных алгоритмов, фрагмент кода программы на C++ для реализации нахождения вейвлет-коэффициентов оцифрованных сигналов. Представлен акт о внедрении результатов диссертационного исследования, свидетельство о регистрации программного модуля C++.
- Список литературы:
- Выводы по четвертой главе /* 1587399590 */
, I 1 I > ,
Основные результаты четвертой главы:' ]* 15S739959& */ ; ; '
І і 4 f I / 1 • Ч 4 V
’ ' , і ' j f » г '
1. Обосновывается'Применение быстрых нейронных сетей для реализации алгоритма вейвлет-преобразования. /* 1587399590 */
2. Построен нейросетевой алгоритм для реализации быстрого вейвлет- преобразования. /* 1587399590 */
3. Исходя из поставленных' целей, был построен .метод вейвлет-фильтрации
. I - ' / ' ‘ч > V І ' - - X • . '
применительно к нейросетям для классификации образов. /* 1587399590 ■ / 1
ч і' II/ ч
/ ' _ ' / ' ' 4 ' ' _ ' ' _ '
4. Было произведено моделирование построенных алгоритмов
предварительной обработки сигналов и нейросетевого алгоритма
классификации. /* 1587399590 */
5. На основе проведенных экспериментов и сравнительного анализа делается вывод об эффективности построенных методов предварительной обработки
J 1 / 1 Х N 4 / 1 1 V ^ . % | 1
“ Г “ / у/ / % " “ Т " /
I 1 • J 1 • / 1 I 1 ' ' I 1 •
Сигнала и структуры гибридной сети для классификации,образов; -
, > / Заключение' /* 1587399593 *{' , >
^ ж ч ^ в ч ^ S и s ч _ ч ^ S в
В диссертационной работе произведены исследования методов предварительной обработки сигналов посредством вейвлет-анализа в нейросетевых алгоритмах классификации образов для повышения их эффективности й точности работы. В итоге получены следующие
в И ^ Ч в и ^ Ч ш и ^ Ч „и ^ Ч в и ^ Ч
теоретические и практические результаты: /* 1587399593 */ !
У / ЧУ / ЧУ / ЧУ / ЧУ/
s ^ % ^ Ч s w Ч s ^ Ч „ s ^ Ч
1. Разработан нейросетевой алгоритм на основе принципов самоорганизации и вейвлет-фильтрации в виде гибридной сети для классификации образов.
2. Для рассматриваемой задачи классификации была показана эффективность применения дискретного вейвлет-анализа. /* 1587399593 */
3. Применены методы кратномасштабного ' анализа и быстрого вейвлет-
I I 1 I
I I I I I
_ У . у. у. у.
^ Ч — и ^ Ч ^ Ч „и ^ ч _ «• ^
преобразования для разработки алгоритмов'' предварительной обработки
У ЧУУ ЧУУ ЧУУ ЧУУ ч
^ ^ ч ^ % ч ^ ^ ч % ч
сигналов применительно к задаче классификации образов. /* 1587399593 */
4. Показана целесообразность применения ортогональных вейвлетов и их модификаций в задачах классификации образов. /* 1587399593 */
5. Обоснованно применение быстрых нейронных сетей для реализации алгоритма дискретного быстрого вейвлет-преобразования. /* 1587399593. *_/.
і і і і і
« і і і і
6л Разработан нейросетевой алгоритм" для реализаций быстрого' рейвлет-
/і / і ft t і г і
преобразования.' /* 1587399593
7. Показана эффективность применения нейросетевых алгоритмов для реализации обоих этапов обработки данных (предобработки и классификации). /* 1587399593 */
8. Произведено моделирование построенных алгоритмов предварительной
ч ч ' ч ч
I I I I I
обработки сигналов посредством быстрого вейвлет-преобразования. -,
Ъ ч > 1 1 ч 1
9., Проведено исследование производительности построенной гибридной сети по сравнению с другими нейросетевыми структурами для решения задачи классификации образов. /* 1587399593 */
10. На основании проведенных экспериментов и их анализа сделан вывод об эффективности построенных методов предварительной обработки сигналов применительно к нейросетевым алгоритмам для классификации образов.
Таким образом, в диссертационной работе предложен нейросегевой метод вейвлет-фильтрации сигналов с применением быстрого дискретного вейвлет- преобразования применительно к алгоритмам классификации образов с использованием принципов самоорганизации. Построенный алгоритм позволяет повысить скорость и точность классификации по сравнению с
_ I
другими нейросетевыми методами до 15 %. Количество ошибочно
отклассифицированных сигналов как обучающей, так и тестовой выборки составляет не более 5 %. Качество классификации с предобработкой с помощью вейвлетов позволило повысить качество распознавания до 95 %. Использование быстрой нейронной сети для реализации вейвлет- преобразования позволяет избежать большого количества вычислений и намного ускорить поиск коэффициентов вейвлет-разложения. Процесс предварительной обработки образа и его классификация происходит с использованием одних и тех же средств, что предоставляет возможность эффективного применения разработанных нейросетевых алгоритмов.
' ' ' I ’ , , ' ' 1 • ’ ' I ’ * > J ' '
J 1 • v J - > x r > J • * - * ч ' • ч ^ '/ -
- / .' '• Литеріатура /*’ 1,5873995^9 */ / • ■’ / ‘
1. Астафьева H.M. Вейвлет-анализ: Основы теории и примеры применения // Успехи физических наук, 1996, т.166, № 1 1. /* 1587399599 */
2. Антонью А. Цифровые фильтры: анализ и проектирование // А. Анто-
' ' , ' ч ' ~ А / ' ' ' ' , / ' ' " , * ' % ' ' ч ' '
нью.-—М: Радио и сэязь, 1983. 320с. І /,-ч <
1 • 1 * ' ‘"т" 'і • * / * * * ■
3. Ахмед Н., Рао К. Ортогональные преобразования при обработке цифровых . - сигналов: Пер. с англ. М.: Связь, 1980. 248 с.
4. Басканова Т.Ф., Ланкин Ю.П. Нейросетевые алгоритмы самостоятельной адаптации // Научная сессия МИФИ-99. Всероссийская научно-техническая конференция -“Н,ейроинформатика-99”-.,Сборник-научных трудов.-, Ч..1-. М.:, - -
' і ' ' і > ' * ' ' , , ' ’ 1 ' ' 1 1 ’ '
: :МИФ‘И,-!1999:.С.:17Т24. ' ! : 1
і
4 ' / 4 ' 4 ^ ✓ 4 ✓ ч ' N ✓ N ✓
5. Бахтурин Ю.А. Основные структуры современной алгебры. М.: Наука. Гл. ред. Физ.-мат. Лит., 1990. /* 1587399599 */
6. Болдырев С.В. Использование вейвлет-преобразования в системах обработки и анализа сигналов // Фундаментальные исследования №7, Москва, 2008. С.Ї02-І63.ч. /' /" /'
і / ‘ і J і J , _ - і.»
9 Ч | *|ХЧ * • 1
7. Болдырев С.В. Эффективность / использования‘ принципов самбор- ' ганизации и нейронных сетей для идентификации сигналов // Успехи современного есгествознания№9, Москва, 2008. С. 109.
- Стоимость доставки:
- 230.00 руб