Классифицирование сейсмических сигналов на базе нейросетевых технологий.

Содержание

Аннотация 2
Введение 5
1. Главные расположения теории нейронных сетей 7
2. Посадка задачки классификации сейсмических сигналов 16
3. Статистическая способ решения задачки классификации 18
3. 1 Различение информационных признаков из сейсмограмм 18
3. 2 Подбор более информативных признаков для идентификации 19
3. 3 Процедуры статистической идентификации 21
3. 4 Критика вероятности ложной классификации способом скользящего экзамена 22
4. Ликбез разных архитектур нейронных сетей, специализированных для задач классификации 23
4. 1 Нейрон-классификатор 23
4. 2 Мультислойный персептрон 25
4. 3 Козни Ворда 27
4. 4 Козни Кохонена 27
4. 5 Выводы сообразно разделу 37
5. Способы подготовительной отделки данных 31
5. 1 Максимизация энтропии как мишень предобработки 31
5. 2 Нормировка данных 32
5. 3 Снижение размерности входных данных 34
5. 3. 1 Подбор более информативных признаков 34
5. 3. 2 Стягивание инфы. Анализ основных компонент 35
5. 4 Выводы. по разделу 37
6. Осуществление нейросетевой модели и изучение её технических характеристик 38
6. 1 Конструкция нейросети 38
6. 2 Исходные данные 40
6. 3 Определение аспекта свойства системы и функционала его оптимизации 41
6. 4 Отбор начальных весовых коэффициентов 41
6. 5 Метод обучения и способы его оптимизации 42
6. 6 Создание учащей подборки и критика эффективности наученной нейросетевой модели 48

7. Программная реализация 49
7. 1 Многофункциональные способности программы 50
7. 2 Общие сведения 51
7. 3 Отображение входного файла с исходными данными 52
7. 4 Отображение файла настроек 52
7. 5 Метод работы программы 57
7. 6 Эксплуатация программного продукта 58
7. 7 Итог работы программы 58
8. Заключение 61
Перечень литературы 63
Приложение 64
1. Образчик подборки сейсмограмм 64
2. Образчик файла с векторами признаков 65
3. Файл с опциями программы 66
4. Образчик файла отчета 67
5. Файл описания функций, типов переменных и используемых библиотек nvclass. h 68
6. Файл самодействующей компиляции програмки под ОС Unix -Makefile 73
7. Главный часть - nvclass. с 74

Выдержка

Вступление.
Использование аппарата нейронных сетей для решения разных задач науки и техники обусловлено большими возможными способностями, данных технологий. Есть задачки, заключение которых элементарно нереально аналитическими способами, а нейросети удачно с ними управляются. Даже в том случае, ежели разрешено отыскать заключение при поддержке уже выученных алгоритмов, нейронные козни иногда разрешают изготовить то же наиболее скорее и наиболее отлично.
В предоставленном дипломе рассматривается задачка, возникающая при сейсмическом мониторинге, классифицирование сейсмических сигналов сообразно типу родника, т. е. определение сообразно записанной сейсмограмме землетрясений либо взрывов. Невзирая на то, что для её решения, в настоящее время удачно используются способы статистического разбора, длится розыск наиболее действенных алгоритмов, какие бы дозволили жить классификацию поточнее и с наименьшими затратами. В качестве таковых способов предлагается применять установка нейронных сетей.
Главная мишень дипломной работы изучить вероятность внедрения нейронных сетей для идентификации типа сейсмического сигнала, узнать, как данное заключение станет действенным в сопоставлении с уже используемыми способами.
1-ая голова приурочена к описанию главных положений теории нейронных сетей, а еще областям науки и техники, в которых эти технологии отыскали обширное использование.
Следующие 2 раздела предусмотрены формализовать на математическом уровне задачку классификации сейсмических сигналов и методе её решения на базе статистических способов.
Ликбез разных архитектур нейронных сетей, специализированных для решения задачки классификации, их главные расположения, плюсы и недочеты, а еще способы подготовительной подготовки данных приведены в разделах 4 и 5.
В 6-ой разделе говорится конкретно о нейросетевом решении осматриваемой задачки, построенном на базе популярной, и нередко используемой парадигмы мультислойного персептрона, подробно дискуссируются главные методы обучения, выбора начальных весовых коэффициентов и способы оценки эффективности избранной модели нейронной козни.
В разделе Программная осуществление описывается умышленно разработанная програмка, реализующая главные идеи нейросетевого программирования и приспособленная для решения установленной задачки. Еще в этом разделе представлены итоги опытов сообразно отделке сейсмических сигналов, проведенных на складе сделанной програмки.
И в заключении изложены главные выводы и советы сообразно течению последующих изучений в использовании нейронных сетей для решения задачки классификации сейсмических сигналов.

Литература

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 козни на индивидуальном компе СП Дисциплина РАН 1996.
4. Ежов А. А. , Шумский С. А. Нейрокомпьютинг и его использование в экономике и коммерциале. 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. Доклад сообразно научно-исследовательской работе"Творение аналитического обзора информационных источников сообразно использованию 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. , Использование статистического дискриминационного разбора и его ассимптотического расширения для сопоставления разных размерностей места. , РАН 195, 759-762. 1970.

Больше работ по теме: