Помощь студентам, абитуриентам и школьникам.

Консультации и учебные материалы для разработки диссертации, дипломной работы ,курсовой работы, контрольной работы, реферата, отчета по практике, чертежа, эссе и любого другого вида студенческих работ.

Оперативная помощь в написании работы

Пример: Дипломная работа
Классификация сейсмических сигналов на основе нейросетевых технологий.


ВУЗ, город:

Москва

Предмет: Кибернетика

Дипломная работа по теме:

Классификация сейсмических сигналов на основе нейросетевых технологий.

Страниц: 80

Автор: Сергей Пашков

2000 год

Внимание!
Это только выдержка из работы

Рекомендуем посмотреть похожие работы:

  1. Использование новых информационных технологий в обучении математике на примере использования TeachPro (Курсовая работа, 2007)

    ... к использованию информационных и коммуникационных технологий в процессе обучения и воспитания школьников · Недостаточная готовность к обучению математике и ...

  2. Разработка теоретических (Курсовая работа, 2008)

    ... деятельности предприятия. В настоящее время метод ФСА стал всеобъемлющим инструментом оценки систем, процессов и концепций. Функционально-стоимостной анализ (ФСА ...

  3. Совершенствование управления предприятием на основе внедрения франчайзинга (на примере магазина «Все для Вас» торговой организации Ступинское РАЙПО) (Дипломная работа, 2008)

    ... франчайзинг - это такая организация бизнеса, при которой мощная компания (франчайзор) передает юридическому или физическому лицу (франчайзи) право ... 50-х годов прошлого века большинство компаний, использовавших франчайзинговую систему, рассматривали ...

  4. Примеры парето-оптимальных решений многокритериальных задач. (Реферат, 2007)

    ... решений Γ, отыскание оптимальных решений многокритериальной задачи распознавания сигналов сводится ... задачу многокритериальной опти-мизации, в которой решением γ является оператор (алгоритм работы) устрой-ства распознавания случайных сигналов ...

  5. Особенности использовани технических средств и компьютерных технологий в условиях дистанционного образования (Дипломная работа, 2011)

    ... в условиях дистанционного образования. В качестве объекта исследования в работе выступают технологии дистанционного образования Предмет исследования - технические средства и компьютерные технологии в условиях дистанционного образования ...

  6. Совершенствование деятельности государственных гражданских служащих в г (Дипломная работа, 2012)

    ... применения современных информационных технологий в при оказании государственных услуг современных условиях; - анализ особенностей деятельности государственных гражданских служащих в г. Москве с применением современных информационных технологий ...

  7. Теоретические основы бюджетирования на предприятии (Курсовая работа, 2008)

    ... предприятия. Соответственно, бюджетирование является составной частью управленческого учета, а вернее его приемом. Управленческий учет и бюджетирование связывают единые объекты планирования и учета ...

Содержание

Аннотация 2

Введение 5

1. Основные положения теории нейронных сетей 7

2. Постановка задачи классификации сейсмических сигналов 16

3. Статистическая методика решения задачи классификации 18

3.1 Выделение информационных признаков из сейсмограмм 18

3.2 Отбор наиболее информативных признаков для идентификации 19

3.3 Процедуры статистической идентификации 21

3.4 Оценка вероятности ошибочной классификации методом скользящего экзамена 22

4. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации 23

4.1 Нейрон-классификатор 23

4.2 Многослойный персептрон 25

4.3 Сети Ворда 27

4.4 Сети Кохонена 27

4.5 Выводы по разделу 37

5. Методы предварительной обработки данных 31

5.1 Максимизация энтропии как цель предобработки 31

5.2 Нормировка данных 32

5.3 Понижение размерности входных данных 34

5.3.1 Отбор наиболее информативных признаков 34

5.3.2 Сжатие информации. Анализ главных компонент 35

5.4 Выводы .по разделу 37

6. Реализация нейросетевой модели и исследование ее технических характеристик 38

6.1 Структура нейросети 38

6.2 Исходные данные 40

6.3 Определение критерия качества системы и функционала его оптимизации 41

6.4 Выбор начальных весовых коэффициентов 41

6.5 Алгоритм обучения и методы его оптимизации 42

6.6 Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели 48

7. Программная реализация 49

7.1 Функциональные возможности программы 50

7.2 Общие сведения 51

7.3 Описание входного файла с исходными данными 52

7.4 Описание файла настроек 52

7.5 Алгоритм работы программы 57

7.6 Эксплуатация программного продукта 58

7.7 Результат работы программы 58

8. Заключение 61

Список литературы 63

Приложение 64

1. Пример выборки сейсмограмм 64

2. Пример файла с векторами признаков 65

3. Файл с настройками программы 66

4. Пример файла отчета 67

5. Файл описания функций, типов переменных и используемых библиотек nvclass.h 68

6. Файл автоматической компиляции программы под ОС Unix -Makefile 73

7. Основной модуль — nvclass.с 74

Выдержка

Применение аппарата нейронных сетей для решения различных задач науки и техники обусловлено огромными потенциальными возможностями, этих технологий. Существуют задачи, решение которых просто невозможно аналитическими методами, а нейросети успешно с ними справляются. Даже в том случае, если можно найти решение при помощи уже изученных алгоритмов, нейронные сети порой позволяют сделать то же самое быстрее и более эффективно.

В данном дипломе рассматривается задача, возникающая при сейсмическом мониторинге, классификация сейсмических сигналов по типу источника, т.е. определение по записанной сейсмограмме землетрясений или взрывов. Несмотря на то, что для ее решения, в настоящее время успешно применяются методы статистического анализа, продолжается поиск более эффективных алгоритмов, которые бы позволили проводить классификацию точнее и с меньшими затратами. В качестве таких методов предлагается использовать аппарат нейронных сетей.

Основная цель дипломной работы исследовать возможность применения нейронных сетей для идентификации типа сейсмического сигнала, выяснить, насколько данное решение будет эффективным в сравнении с уже используемыми методами.

Первая глава посвящена описанию основных положений теории нейронных сетей, а также областям науки и техники, в которых эти технологии нашли широкое применение.

Последующие два раздела предназначены формализовать на математическом уровне задачу классификации сейсмических сигналов и способе ее решения на основе статистических методов.

Обзор различных архитектур нейронных сетей, предназначенных для решения задачи классификации, их основные положения, достоинства и недостатки, а также методы предварительной подготовки данных приведены в разделах 4 и 5.

В шестой разделе говорится непосредственно о нейросетевом решении рассматриваемой задачи, построенном на основе известной, и часто используемой парадигмы многослойного персептрона, детально обсуждаются основные алгоритмы обучения, выбора начальных весовых коэффициентов и методы оценки эффективности выбранной модели нейронной сети.

В разделе Программная реализация описывается специально разработанная программа, реализующая основные идеи нейросетевого программирования и адаптированная для решения поставленной задачи. Также в этом разделе представлены результаты экспериментов по обработке сейсмических сигналов, проведенных на базе созданной программы.

И в заключении изложены основные выводы и рекомендации по направлению дальнейших исследований в применении нейронных сетей для решения задачи классификации сейсмических сигналов.

Список использованной литературы

1. Уоссермен Ф. Нейрокомпьютерная техника — М.: Мир,1992.

2. Горбань А.Н., Дубинин-БарковскийВ.Л., Кирдин А.Н. Нейроинформатика СП Наук РАН 1998.

3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере СП Наука РАН 1996.

4. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе.1998.

5. Bishop C.M. Neural Networks and Pattern Recognition. Oxford Press. 1995.

6. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley,1988.

7. Fausett L.V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Prentice Hall, 1994.

8. Kohonen T. Self-organization and Associative Memory, Berlin: Springer- Verlag, 1989.

9. Kushnir A.F., Haikin L.M., Troitsky E.V. Physics of the earth and planetary interiors 1998.

10. Копосов А.И., Щербаков И.Б., Кисленко Н.А., Кисленко О.П., Варивода Ю.В. Отчет по научно-исследовательской работе «Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии»; и др., ВНИИГАЗ, 1995, www.neuralbench.ru

11. Fukunaga K., Kessel D.L., Estimation of classification error, IEEE Trans. Comp. C 20, 136-143. 1971.

12. Деев А.Д., Применение статистического дискриминационного анализа и его ассимптотического расширения для сравнения различных размерностей пространства., РАН 195, 759-762. 1970.

3 27
RUR 3490






Карта : А Б В Г Д Е Ё Ж З И К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Э Ю Я A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Наверх