Различные методы решения задачи классификации. Нейросетевые парадигмы, методы обучения нейронных сетей, возникающие при этом проблемы и пути их решения. Описание программной реализации классификатора, его функциональные возможности и результаты обучения.
При низкой оригинальности работы "Создание классификатора, основанного на нейронной сети и способного определять качество вина", Вы можете повысить уникальность этой работы до 80-100%
Когда-то вино было товаром роскоши, доступное лишь небольшой доле населения. Но благодаря развитию технологий производства и росту благосостояния среднестатистического жителя мира, каждый человек может купить бутылка вина и насладиться его вкусом. Первый из них основывается на физико-химическом анализе. В качестве примера можно привести работу 2007 года, в которой, используя вероятностную нейронную сеть, исследователи смогли с точностью в 94.77% правильно классифицировать год производства вина и место расположения виноградника [8]. В 2001 году нейронные сети использовались для определения трех сенсорных характеристик вина, произведенного в Калифорнии, основываясь на информации об уровне зрелости винограда и результатах химического анализа [12]. В четвертой главе приведено описание программной реализации классификатора, его функциональные возможности и результаты обучения. Задача классификации Задача классификации заключается в определении, какому классу принадлежат наблюдаемые объекты, основываясь на некотором предварительно известном наборе пар, состоящих из описания объекта и класса, которому этот объект принадлежит. Математическая постановка задачи выглядит следующим образом: есть множество непересекающихся классов и множество описаний объектов . Выбор метода для решения поставленной задачи необходимо осуществлять исходя из особенностей предметной области. 1.1 Метод опорных векторов Для решения задач классификации в 1963 году В. Вапник и А. Червоненкис предложили метод, названный ими методом опорных векторов. На рисунке Рис. Она состоит из множества простых устройств - нейронов, соединенных между собой. Нейронная сеть способна в процессе обучения находить сложные взаимосвязи между элементами входных и выходных данных. Причем, при использовании этого алгоритма, вероятность ошибки будет минимальна. Искусственная нейронная сеть, как следует из названия, представляет собой попытку построить такую модель. Такая связь называется “синаптической”; · синаптическая связь при передаче сигнала некоторым образом преобразует его. Обычно каждой синаптической связи в соответствие проставляется некоторое число, и при передаче сигнала он просто перемножается с этим числом; · в случае если к входу одного нейрона присоединено несколько синаптических связей, то приходящие по ним сигналы некоторым образом преобразуются перед подачей в нейрон. При создании искусственной нейронной сети происходит моделирование двух особенностей настоящей нейронной сети: · В основе сети лежит использование простых базовых компонентов - нейронов; · Нейроны соединяются друг с другом, и структура этих соединений определяется задачами, возложенными на сеть. Остальные слои нейронной сети имеют название скрытых слоев.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
