Основные положения теории нейронных сетей
Выбор типа (архитектуры) сети
Постановка задачи классификации сейсмических сигналов
Отбор наиболее информативных признаков для идентификации
Процедура статистической идентификации
Многослойный персептрон
Выводы по разделу
Понижение размерности входов
Выводы по разделу
Определение критерия качества системы и функционала его оптимизации
Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели
Описание входного файла с исходными данными
Заключение
Пример файла отчета
Файл автоматической компиляции программы под Unix -“Makefile”
Навигация
Классификация сейсмических сигналов на основе нейросетевых технологий
Классификация сейсмических сигналов на основе нейросетевых технологий
114641
знак
1
таблица
28
изображений
МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ
Кафедра МОСОИиУ
ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
К ДИПЛОМНОМУ ПРОЕКТУ
На тему: _Классификация сейсмических сигналов на основе нейросетевых технологий.________________________________________________________
Студент
Руководитель проекта:
Допущен к защите____________________200___г.
КОНСУЛЬТАНТЫ ПРОЕКТА:
Специальная часть
Конструкторско-технологическая часть
Экономическая часть
Техника безопасности
Зав. кафедрой________________________
МОСКВА
Аннотация.В данном дипломе рассматривается задача классификации сейсмических сигналов по типу источника, т.е. определение по записанной сейсмограмме землетрясений или взрывов. Основная цель диплома состоит в исследовании возможности применения аппарата нейронных сетей для решения поставленной задачи, и сравнение эффективности такого решения со стандартными аналитическими методами.
Оглавление.
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
Введение.
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.
Похожие работы
... МП к некритическому экстраполированию результата считается его слабостью. Сети РБФ более чувствительны к «проклятию размерности» и испытывают значительные трудности, когда число входов велико. 5. МОДЕЛИРОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ СТОИМОСТИ НЕДВИЖИМОСТИ 5.1 Особенности нейросетевого прогнозирования в задаче оценки стоимости недвижимости Использование нейронных сетей можно ...
... в связи с необходимостью упорядоченного сообщения с высоким приоритетом при радикальном изменении окружающих условий и двунаправленностью каналов. Возможности вычисления путей маршрутизации можно применять при построении интегральных схем и проектирования кристаллов процессоров. Нейрокомпьютеры с успехом применяются при обработке сейсмических сигналов в военных целях для определения коорди
... (ШД), адресов (ША) и управления (ШУ). Однокристальные микропроцессоры получаются при реализации всех аппаратных средств процессора в виде одной БИС или СБИС (сверхбольшой интегральной схемы). По мере увеличения степени интеграции элементов в кристалле и числа выводов корпуса параметры однокристальных микропроцессоров улучшаются. Однако возможности однокристальных микропроцессоров ограничены ...
... данных а разбивать входные данные на кластеры. •Рекурсивные сети Элмана, способные обрабатывать последовательности векторов. •Вероятностные сети, аппроксимирующие Байесовские классификаторы с любой степенью точности. Общие принципы, характерные для нейросетей Согласно общепринятым представлениям наиболее общими принципами, характерными для современных нейросетей являются: коннекционизм, ...
0 комментариев