Методы и программные средства обучения алгоритмов распознавания участков фазовых траекторий
Диссертация
Для решения задачи обучения по заданной выборке существует множество методов. Наиболее известные и широко применяемые из них исследованы в главе 2 данной работы, среди них: алгоритмы распознавания на основе искусственных нейронных сетей, алгоритмы на основе Dynamic Time Warping (DTW), алгоритм «Гусеница» — Singular Spectrum Analysis (SSA) и др. Проведенное исследование показало, что большинство… Читать ещё >
Содержание
- 1. Цели и задачи работы
- 2. Методы исследования
- 3. Актуальность работы
- 4. Структура работы
- Глава 1. Задача распознавания поведения системы
- 1. 1. Исследуемая система
- 1. 2. Задача распознавания поведения системы
- 1. 3. Ограничения на исходные данные
- 1. 4. Задача обучения алгоритма распознавания
- 1. 5. Выводы
- Глава 2. Обзор существующих методов решения задачи распознавания нештатного поведения системы
- 2. 1. Критерии сравнения алгоритмов и методика численного исследования
- 2. 2. Алгоритм распознавания на основе нечеткого сопоставления строк
- 2. 3. Алгоритм на основе
- 2. 4. Алгоритм на основе искусственных нейронных сетей
- 2. 5. Алгоритм на основе преобразований Фурье
- 2. 6. Алгоритм на основе вейвлет-преобразований
- 2. 7. Алгоритм на основе метода Тусеница'-ЗБА
- 2. 8. Алгоритм на основе идей алгебраического подхода
- 2. 9. Выводы
- Глава 3. Параметрическое семейство алгоритмов распознавания и условия его обучаемости
- 3. 1. Параметрическое семейство алгоритмов распознавания
- 3. 2. Условие обучаемости параметрического семейства решений
- Глава 4. Метод обучения алгоритмов распознавания нештатного поведения систем
- 4. 1. Общая схема метода обучения
- 4. 2. Генетический алгоритм построения системы аксиом по обучающей выборке с маркировкой участков нештатного поведения
- 4. 3. Алгоритм построения системы аксиом по обучающей выборке с маркировкой точек аварии
- Глава 5. Инструментальная система
- 5. 1. Требования к системе построения алгоритмов распознавания
- 5. 2. Архитектура разработанного средства
- 5. 3. Исследование эффективности предложенной схемы распараллеливания алгоритма обучения
- 5. 4. Выводы
- Глава 6. Исследование эффективности предложенных алгоритмов
- 6. 1. Исходные данные
- 6. 2. Исследование метода обучения алгоритмов распознавания по выборке с маркировкой участков нештатного поведения
- 6. 3. Исследование метода обучения алгоритмов распознавания по выборке с маркировкой точек аварии
- 6. 4. Выводы
Список литературы
- Айвазян С. А., Енюков И. С., Мешалкин JT. Д. Прикладная статистика. М.: Финансы и статистика. 1989.
- Бахвалов Н. С., ЖидковЕ. П., Кобельков Г. М. Численные методы. 4-е издание. СПб.: ФизМатЛит, Невский диалект, 2003.
- Березин И. С., Жидков Н. П. Методы вычислений. М.: ФизМатЛит, 1962.
- Блейхут Р. Теория и практика кодов, контролирующих ошибки. М.: Мир, 1986.
- Васильев А. П., Кудрявцев В. М., Кузнецов В. А. Основы теории и расчета жидкостных ракетных двигателей. М.: Высшая школа, 1983.
- Воробьев В. И., Грибунин В. Г. Теория и практика вейвлет-преобразования. СПб.: Типография ВУС, 1999.
- Воронцов К. В. Комбинаторный подход к оценке качества обучаемых алгоритмов. // Математические вопросы кибернетики. № 13, 2004. С.5−36.
- Глебов Н. И., Кочетов Ю. А., Плясунов А. В. Методы оптимизации. Изд.: НГУ, 2000.
- Голяидина Н. Э., Некруткин В. В., Степанов Д. В. Варианты метода «Гусеницах-SSA для анализа многомерных временных рядов. // Труды II Международной конференции «Идентификация систем и задачи управления» SICPRO'03. Москва, 2003, С. 2139−2168.
- Данилов Д. Л., Жиглявский А. А. Главные компоненты временных рядов: метод «Гусеница». СПб.: Санкт-Петербургский университет, 1997.
- Васин Е. А. Операции мутации и скрещивания для генетического алгоритма построения систем аксиом. // Вестник Московского университета: Вычислительная математика и кибернетика, номер 2, 2007. Изд.: МГУ. С. 29−35.
- Коваленко Д. С., Костенко В. А., Васин Е. А. Исследование применимости алгебраического подхода к анализу временных рядов. // Труды II Всероссийской научной конференции «Методы и средства обработки информации». Изд.: ВМиК МГУ, 2005. С. 553−559.
- Коваленко Д. С., Костенко В. А. Метод построения алгоритмов распознавания, основанных на идеях аксиоматического подхода. // Труды XI Всероссийской конференции «Нейроинформатика-2009». Изд: МИФИ, 2009. С. 141−149.
- Коваленко Д. С. Методы нечеткого сравнения и голосования- для построения распознавателей нештатного поведения динамических систем. // Труды V Международной конференции «ORM-2007». Изд: МАКС Пресс, 2007. С.123−125.
- Коваленко Д. С. Метод автоматического построения алгоритмов распознавания участков фазовых траекторий. // «Моделирование и анализ информационных систем», Т. 16, JVM, 2009. Изд.: ЯрГУ. С. 6−21.
- Козлов П. В, Чен Б. Б. Вейвлет-преобразование и анализ временных рядов. // Вестник КРСУ, № 2, 2002.
- Крыжановский Б.В., Микаэлян A.JI. О распознающей способности нейросети на нейронах с параметрическим преобразованием частот. // Доклады АН, сер. мат. физика, т. 383, № 3, с.318−321, 2002.
- Ладыгин И. И., Филатов А. В., ЯньковС. Г. Кластеры на многоядерных процессорах. // М.: Издательский дом МЭИ, 2008.
- Рудаков К. В., ЧеховичЮ.В. О проблеме синтеза обучающих алгоритмов выделения трендов (алгебраический подход). // Прикладная математика и информатика N 8, М.: Издательство факультета ВМиК МГУ, 2001. С. 97−114.
- Уоссермен Ф. Нейрокомпыотерная техника. Теория и практика. М.: Мир, 1992.
- Энслейн К., Рэлстон Э., Уилф Г. Статистические методы для ЭВМ. М: Наука, 1986.
- Berg В. A., Stamatescu I. О. Neural networks and confidence limit estimates. // Lecture Notes in Physics, volume 508/1998. Springer Berlin / Heidelberg, 1998. P. 173−191.
- Berndt D. J., Clifford J. Using dynamic time warping to find patterns in time series. // Workshop on Knowledge Discovery in Databases. USA: AAAI Press, 1994. P. 229−248.
- Bouchner P. Driver’s Micro-sleeps Detection Using Virtual Simulation. // Neural Network World, vol. 14, No. 1, 2004, Czech Republic. P. 3−15.
- Buschmann F., Meunier R., Rohnert H., Sommerlad P., Stal M. A System of Patterns: Pattern-Oriented Software Architecture. ISBN:0−471−95 869−7. John Wiley and Sons, West Sussex, England. 1996.
- Das G., Gunopulos D., Mannila H. Finding Similar Time Series. // Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining. USA: AAAI' Press, 1996. P. 88−100.
- Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA, 1989.
- Graham A. S. String searching algorithms. // World Scientific Publishing Company, UK, 1994.
- Graves A., Bunke H., Fernandez S., Liwicki M., Schmidhuber J. Unconstrained online handwriting recognition with recurrent neural networks. // Advances in Neural Information Processing Systems 20, MIT Press, 2007.
- Hamming R. Coding and information theory. Prentice Hall, USA, 1982.
- Heitmann A., GuttkuhnR., AguirreA., Trutschel U., Moore-Ede M. Technologies for the monitoring and prevention of driver fatigue. // Proceedings of the First International
- Driving Symposium on Human Factors in Driving, Assessment, Training and Vehicle Design, 2001. P. 81−86.
- KeoghE. J., Michael J. Pazzani Derivative Dynamic Time Warping. // First SIAM International Conference on Data Mining (SDM'2001), Chicago, USA. 2001.
- Keogh E. J., Smyth P. A probabilistic approach to fast pattern matching in time series databases. // Proceedings of the 3rd Conference on Knowledge Discovery in Database and Data Mining, 1997. P. 52−57.
- Keogh E. J. Exact indexing of dynamic time warping. // Proceedings of Very Large Data Bases Conference, 2002. P. 406−417.
- Keogh E. J., Pazzani M. J. Scaling up dynamic time warping to massive datasets. // 3rd European Conference on Principles and Practice of Knowledge Discovery in Databases, Springer, 1999. P. 1−11.
- Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection. // IJCAI, 1995. P. 1137−1145.
- Lauer F., Suen C. Y., Bloch G. A trainable feature extractor for handwritten digit recognition. // Pattern Recognition Journal, Elsevier, vol. 40, num. 6, 2007. P. 1816−1824.
- Meuer H. W. The TOP500 Project: Looking Back over 15 Years of Supercomputing Experience. // University of Mannheim and Prometeus GmbH, Germany, 2008. PDF] http: //www.topbOO oi g/files/TO P500LookingbackHWM. pdf
- Marr D. T. Hyper-Threading Technology Architecture and Microarchitecture. // Intel Technology Journal, Vol. 6, Issue 01, February, USA. 2002. P. 4−15.
- Moore-Ede M.C., Trutschel U.E., Guttkuhn R., Heitmann A.M. Method of and apparatus for evaluation and mitigation of microsleep events. // Patent: 6 070 098, issued January 28, 2003.
- Mitchell Tom M. Machine Learning. ISBN 70 428 077. McGraw-Hill, USA. 1997.
- Miiller M. Information Retrieval for Music and Motion. ISBN 3 540 740 473. Springer-Verlag New York, Inc., USA. 2007.
- Official OpenMP API specification for parallel programming. // PDF] http: //www.openmp.org/mp-documents/spec30.pdf
- QuinnM.J. Parallel Programming in C with MPI and OpenMP. ISBN 72 822 562. Oregon State University, 2003.
- Plamondon R., Srihari S. N. Online and off-line handwriting recognition: a comprehensive survey. // Pattern Analysis and Machine Intelligence Journal, Vol. 22, Issue 1, Ecole Polytech., Montreal, Canada, 2000. P. 63 84.
- Peters R. D., Kloeppel E., Alicandri E., Fox J. E., Thomas M. L., Thorne D. R., Sing H. C., Balwinski S. M. Effects of Partial and Total Sleep Deprivation On Driving Performance. // Public Roads, Vol. 62 Issue 4, 1999.
- Schiffmann W., Joost M., Werner R. Optimization of the backpropagation algorithm for training multilayer perceptrons. // Tech. Rep. 15, University of Koblenz, Institute of Physics, Germany, 1994.
- Svoboda P. Alternative Methods of EEG Signal Analysis. // Neural Network World, Vol.12, No.3, 2002, Czech Republic. P. 255−260.
- The Message Passing Interface (MPI) standard. // HTML] http: /?www-unix.mcs.anl.gov/mpi/index.htm
- Vapnik V. Statistical Learning Theory. ISBN: 471 030 031. Wiley-Interscience, USA, 1998.
- Xinyu Guo, Xun Liang, Xiang Li A Stock Pattern Recognition Algorithm Based on Neural Networks. // Third International Conference on Natural Computation (ICNC 2007), vol. 2, 2007. P. 518−522.
- Yi B., Jagadish H., Faloustos C. Efficient retrieval of similar time sequences under time warping. // Proceedings of International Conference on Data Engineering, 1998. P. 23−27.