Горшков Євген Віталійович. Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур

brief description

Горшков Євген Віталійович. Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур : Дис... канд. наук: 05.13.23 2008

Горшков Є. В. Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур. Рукопис.
Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 системи та засоби штучного інтелекту. Харківський національний університет радіоелектроніки, Харків, 2007.
Дисертація присвячена дослідженню архітектур гібридних нейро-фаззі мереж, методів їх навчання і самонавчання, адаптивних процедур нечіткої кластеризації для задач класифікації чисельних даних в умовах апріорної та поточної невизначеності відносно характеру розподілу та істотного перетину класів.
В дисертації запропоновано рекурентні і робастні методи кластеризації в межах імовірнісного та можливісного підходів, що дозволяють проводити кластеризацію за умов перетину класів; імовірнісну нейронну мережу з нечітким виведенням, методи її побудови і навчання; рекурентний метод навчання радіально-базисної мережі на основі еліпсоїдального оцінювання, що забезпечує ефективне навчання за умови дефіциту інформації про розподіл збурень; гібридну нейро-фаззі мережу зустрічного розповсюдження і метод її навчання. Вдосконалено методи самоорганізації модифікованої мережі Кохонена з можливістю нечіткого виведення і запропоновано метод попередньої обробки даних шляхом підвищення вимірності вихідного простору. Ефективність цих методів експериментально підтверджена на ряді відомих тестових вибірок даних для нечіткої класифікації у порівнянні з класичними нейро- та нейро-фаззі методами обробки даних.
Синтезовані методи та запропоновані архітектури гібридних нейро-фаззі мереж підтвердили свою ефективність при створені систем біомедичної діагностики для сегментації послідовностей інтервалів серцебиття біологічного організму в процесі виходу і пробудження зі штучного гипометаболічного стану, а також системи виявлення зон кровообігу на основі вихідної інформації ультразвукового сканування органів людини, що є важливим для медичного діагностування різноманітних уражень судин людини і застосовується в ранній діагностиці пухлинних захворювань внутрішніх органів з їх диференціюванням за ступенем злоякісності.

В дисертаційній роботі представлені результати, що є, у відповідності до поставленої мети, рішенням актуальної наукової задачі синтезу систем класифікації і кластеризації даних, що функціонують в умовах апріорної і поточної невизначеності відносно характеру розподілу і істотного перетину класів, на основі гібридних нейро-фаззі моделей. Проведені дослідження дозволили зробити такі висновки.
1. Вперше запропоновано рекурентні і робастні методи кластеризації даних і сегментації часових послідовностей в межах імовірнісного і можливісного підходів, що здатні обробляти спостереження в послідовному і пакетному режимах, а також нечутливі до викидів, що присутні в реальних даних. Вказано їх переваги перед відомими методами нечіткої кластеризації.
2. Вдосконалено методи самоорганізації для модифікованої мережі Кохонена з нечітким виведенням шляхом використання спеціальної функції сусідства та підвищення вимірності вхідного простору на стадії попередньої обробки даних. Запропоновані методи можуть функціонувати в умовах відсутності апріорної інформації про вибірку даних.
3. Вперше запропоновано методи побудови і навчання імовірнісної нейронної мережі з нечітким виведенням. Синтезовано обчислювально ефективні процедури навчання цієї мережі для задач класифікації даних з використанням різних функції активації нейронів прихованого шару.
4. Вперше запропоновано рекурентний метод навчання радіально-базисної мережі на основі еліпсоїдального оцінювання, що забезпечує збіжність ваг, що настроюються, до еліпсоїдів мінімального об’єму, що містять оптимальні значення параметрів. Запропонований метод не потребує розв’язання допоміжних задач оптимізації або пошуку коренів.
5. Вперше запропоновано архітектуру і метод навчання гібридної нейро-фаззі мережі зустрічного розповсюдження, що поєднує особливості радіально-базисних нейронних мереж і конкурентних мереж шляхом об’єднання двох шарів радіально-базисних функцій і нео-фаззі нейронів.
6. Вирішені актуальні практичні задачі сегментації біологічних послідовностей R-R інтервалів серцебиття тварин в процесі виходу зі штучного гипометаболічного стану та виявлення областей кровообігу в тілі людини за даними, отриманими шляхом ультразвукового сканування тіла, що досліджується. Результати досліджень впроваджено у фірмі РАДМІР”, дочірньому підприємстві АТ Науково-дослідний інститут радіо вимірювань”, м. Харків, що підтверджено відповідним актом.
7. Розроблені в дисертаційній роботі методи і архітектури можуть бути застосовані для розв’язання широкого класу задач класифікації даних в умовах апріорної і поточної невизначеності відносно характеру розподілу даних та істотного перетину класів.