Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур - Автореферат

Сучасний етап розвитку теоретичних і прикладних досліджень в різних галузях науки характеризується зростанням уваги до задач класифікації чисельних даних довільної природи за умов апріорної і поточної невизначеності, що можуть містити інформацію зі значним ступенем перетину класів. В межах зазначених тем здобувачем як виконавцем були розроблені методи класифікації даних в умовах апріорної та поточної невизначеності відносно характеру розподілу даних за класами та істотному перетині класів, що включають в себе рекурентні робастні процедури кластеризації, гібридні нейро-фаззі моделі, процедури їх навчання і самоорганізації. Метою роботи є розробка методів класифікації і кластеризації даних на основі гібридних нейро-фаззі моделей, а також розробка методів навчання і самоорганізації для цих моделей, що дозволять підвищити якість класифікації в умовах апріорної і поточної невизначеності відносно характеру розподілу та істотного перетину класів. Методи дослідження базуються на теорії обчислювального інтелекту, а саме на методах теорії штучних нейронних мереж і теорії нечіткої логіки для побудови архітектур гібридних нейро-фаззі мереж, що дозволяють проводити нечітку класифікацію та кластеризацію; теорії оптимізації і статистичного аналізу для синтезу ефективних методів нечіткої кластеризації та методів навчання і самоорганізації гібридних нейро-фаззі мереж. У публікаціях, написаних у співавторстві, авторові належить: [1] - метод навчання синаптичних ваг нео-фаззі нейрона з поліноміальними функціями належності; [2, 9] - методи настроювання параметрів g і d, що забезпечують збіжність процедури навчання мережі; [3] - рекурентний робастний метод кластеризації в межах можливісного підходу; [4] - метод навчання синаптичних ваг нео-фаззі нейрона з поліноміальними функціями належності четвертого порядку; [5] - метод навчання синаптичних ваг нео-фаззі нейрона на основі методів зворотного поширення похибок і алгоритмів оптимізації 2-го порядку; [6] - архітектура вихідного шару імовірнісної нейро-фаззі мережі, метод навчання імовірнісної нейро-фаззі мережі для нестандартних функцій активації; [7, 18] - метод самоорганізації мап Кохонена для нестандартної функції активації, що забезпечує нечітке виведення, метод попередньої обробки даних; [8] - метод першого етапу навчання нео-фаззі мережі; [10] - комбінований робастний метод кластеризації; [11, 14] - архітектура гібридної нейро-фаззі мережі і метод її навчання для розвязання задач класифікації; [12] - рекурентний метод кластеризації, що дозволяє знаходити апріорно невідомі кластери; [13] - метод навчання синаптичних ваг вихідного шару сигма-пі мережі на основі методу градієнтного спуска; [17] - метод побудови прихованого шару імовірнісної нейро-фаззі мережі; [19, 23] - архітектура гібридної нейро-фаззі мережі з функціями активації змінної форми і метод її навчання; [20] - метод навчання синаптичних ваг нео-фаззі мережі на основі рекурентного методу найменших квадратів; [21] - робастний метод кластеризації в межах можливісного підходу; [22, 24] - робастний рекурентний метод сегментації біологічних послідовностей.Одержано узагальнену процедуру самоорганізації для модифікованої мережі Кохонена зі змінним кроком навчання, що дозволяє забезпечити самоорганізацію в умовах відсутності апріорної інформації про вибірку даних: (1) де д[а,b](x) - функція, що обмежує область косинусної функції сусідства до половини періоду (з метою надання їй властивостей ядерної функції), і дорівнює 1, якщо x I [a,b], та 0 інакше. В якості метрики для цільових функцій методів нечіткої кластеризації використовується функція: , (9) на основі якої одержано процедуру нечіткої кластеризації в межах імовірнісного підходу: (10) а також рекурентну процедуру нечіткої кластеризації в межах можливісного підходу: (11) В дисертації розглянуто задачу адаптивної сегментації часових послідовностей біологічного походження, що змінюють властивості з часом в заздалегідь невідомі моменти часу, і запропоновано підхід, що базується на методі непрямої кластеризації послідовності за допомогою робастного рекурентного методу нечіткої кластеризації. У третьому розділі дисертаційної роботи запропоновано архітектури гібридних нейро-фаззі мереж: імовірнісної нейронної мережі з нечітким виведенням, мережі зустрічного розповсюдження з нечітким виведенням на основі нео-фаззі нейронів; синтезовано ефективні процедури навчання для цих мереж, що забезпечують можливість навчання як у пакетному режимі, так і в режимі послідовної обробки, а також запропоновано процедуру настройки параметрів радіально-базисної мережі на основі еліпсоїдального навчання. В роботі запропоновано підхід до побудови мережі оптимального розміру, що полягає в тому що, якщо при надходженні навчального спостереження x(u) на вхід мережі вихід кожного нейрона шару прототипів, що належать до того ж класу l = d(u), що і x(u), не перевищує деякого порогового значення и, то до мережі додається новий нейрон з функцією активації з центром в точці і синаптичною вагою 2-го при

Основний зміст роботи