Аль Хашеди Адам Абдо Ахмед. Разработка математических моделей и алгоритмов классификации динамических объектов

brief description

Аль Хашеди Адам Абдо Ахмед. Разработка математических моделей и алгоритмов классификации динамических объектов: диссертация ... кандидата Технических наук: 05.13.18 / Аль Хашеди Адам Абдо Ахмед;[Место защиты: ФГБОУ ВО «Казанский национальный исследовательский технологический университет»], 2018

Федеральное государственное бюджетное образовательное учреждение высшего
образования «Казанский национальный исследовательский технологический
университет»
Аль Хашеди Адам Абдо Ахмед
Разработка математических моделей и алгоритмов
классификации динамических объектов
Специальность 05.13.18 - Математическое моделирование, численные методы и
комплексы программ
Диссертация
на соискание ученой степени кандидата технических наук
Научный руководитель: Доктор педагогических наук, кандидат технических наук, профессор
Нуриев Наиль Кашапович
Казань

Оглавление
Введение 4
ГЛАВА 1. СОВРЕМЕННЫЕ СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИИ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ 11
1.1 Исторические аспекты распознавания образов 11
1.2 Понятие и содержание категории «распознавание образов» 13
1.3 Области применения методов распознавания образов 14
1.4 Классификация и кластерный анализ 16
1.5 Классификация процедуры обучения 17
1.6 Обучение распознаванию образов с учителем. Искусственные нейронные
сети. Метод обратного распространения ошибки 18
1.7 Классификация с помощью решающих функций 24
1.8 Алгоритм Хо-Кашьяпа 25
1.9 Метод Байеса 26
1.10 Классификация с помощью функций расстояния 31
1.11 Алгоритмы кластеризации 35
1.11.1 Постановка задачи кластеризации 36
1.11.2 Полносвязывающий метод. Алгоритм максиминного расстояния 39
1.11.4 Алгоритм FOREL 42
1.11.5 Кластеризации полным перебором 45
ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО АППАРАТА,
АЛГОРИТМА И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЭВОЛЮЦИОННОЙ МОДЕЛИ РАСПОЗНОВАНИЯ ОБРАЗОВ 48
2.1 Экспертиза методов, используемых в различных задачах распознавания
образов 48
2.2 Разработка математической модели динамической кластеризации в задачах
распознавания образов 59
2.2.1. Математический аппарат 61
2.2.3. Схема алгоритма динамической кластеризации 65
2.3 Результаты исследования и экспериментальные данные алгоритма
динамической кластеризации 68
2.3.1 Пример использования алгоритма динамической кластеризации в
задачах распознавание образов 69
2.3.2 Пример применения алгоритма динамической кластеризации в задачах
распознавания образов в трехмерном пространстве 78
2.4 Математическое моделирование процессов эволюции кластерных
образований 81 
2.5 Апробация алгоритма динамической кластеризации в пространстве больших данных 90
ГЛАВА 3 РАЗРАБОТКА КОМПЛЕКСА МОДЕЛЕЙ ОБУЧЕНИЯ И КЛАССИФИКАЦИИ ОБЪЕКТОВ 96
3.1 Структура и состав комплекса прикладных программ 96
3.2. Алгоритм образования новых классов 98
3.3. Модель классификации объектов на основе теории Байеса 101
3.3.1 Описания процедуры классификации 102
3.3.3. Результаты применения алгоритма классификации объектов на основе теории Байеса 105
3.4 Модуль построения и обучения нейронной сети для распознавания образов 110
3.4.1 Алгоритм построения искусственных нейронных сетей 111
3.4.2. Алгоритм обучения нейронной сети методом обратного
распространения ошибки 114
3.4.3 Примеры применения алгоритмов в обучения и построения нейронной сети 117
ГЛАВА 4 Разработка программного обеспечения системы классификации объектов 124
4.1 Разработка программного обеспечения самоорганизующихся систем
коммуникационных услуг 124
4.2 Разработка программного обеспечения систем динамической
кластеризации объектов 131
4.3. Разработка API (Application programming interface) классификации
объектов 133
Заключение 138
^исок литературы 141
Приложение 1. Листинг 154
Приложение 2. Акты о внедрении 163
Приложение 3. Интерфейс программного обеспечения

bibliography

Заключение
В заключении приведены основные результаты и выводы, имеющие научную и практическую ценность.
Основными результатами являются следующие.
1. Проведена экспертиза методов, используемых для решения задач распознавания образов, по результатам которой определены области их эффективного использования. В целом по результатам экспертизы сделаны следующие выводы.
• Важнейшими качествами алгоритмов распознавания образов, в видении экспертного сообщества, являются способность к саморазвитию и самоорганизации, что подразумевает возможность их использования в много-стадийных динамических процедурах.
• Применимость тех или иных методов для решения задач распознавания в самой значительной мере зависит от размерности пространства классифицирующих признаков.
• Актуальной и востребованной является проблема разработки алгоритма с возможностями саморазвития и самоорганизации, который бы мог эффективно использоваться для решения задач распознавания любой размерности.
2. Для решения задачи распознавания образов разработана новая математическая модель самоорганизующейся системы кластеров.
3. Показано, что кластеры являются динамическими образованиями, изменяющимися под воздействием потока распознаваемых образов. Это явление было показано когда формирование кластера на базе исходной обучающей выборки завершится и система начнет работать в режиме распознавания образов, обрабатывая поток объектов, поступающих на ее вход.
4. Разработан и апробирован алгоритм динамической кластеризации, действующий на заданном множестве характеризующих признаков определенной предметной области. Результаты приведенных примеров указывали на наличии у предложенного алгоритма свойства самоорганизуемости и эволюционных изменений у порожденных им кластерных образований.
5. Заложены основы эволюционного формирования кластерной модели, позволяющей использовать ее для решения задач эффективного управления и прогнозирования. Результаты рассмотренных примеров подтверждали эффективность аппарата анализа временных рядов для описания хода эволюционных изменений кластерных образований и возможность его применения в процессе выработки и принятия управленческих решений.
6. Разработаны математическая модель и алгоритм вычислительной
процедуры, которые позволяют классифицировать объекты в некоторой предметной области, по их свойствам (признакам), при условии, что часть признаков разных объектов совпадают. Это алгоритм позволял ранжировать классы по вероятности принадлежности им
классифицируемого объекта и указать предпочтительную очередность проверки объектов на предмет принадлежности их тому или иному классу. данный алгоритм особенно эффективен при обработке больших потоков запросов, поскольку, как правило, снимает необходимость полного перебора и сокращает продолжительность процедуры распознавания.
7. Разработаны алгоритмы для построения и обучения искусственных нейронных сетей на основе персептрона модернизированным методом обратного распространения ошибки. Предложенные алгоритмы в большинстве случаев позволяет существенно сократить продолжительность времени обучения нейронной сети по сравнению с базовым вариантом метода обратного распространения ошибки. Расчеты, подтверждённые экспериментальными наблюдениями, показывали, что при использовании модернизированного алгоритма снижение величины ошибки происходит по линейному закону.
8. Для практической реализации алгоритмов разработан специализированный программный комплекс. В разработанных системах наглядно проявилась эффективность разработанных математических моделей и алгоритмов, как средства обработки большого объема данных в многомерном пространстве признаков.