Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
ℹ️Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
АННОТАЦИЯ 6
СОДЕРЖАНИЕ 7
ВВЕДЕНИЕ 9
1 Предметная область 9
2 Обзор методов классификации многомерных временных рядов 10
3 Содержательная постановка задачи 11
1 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ КЛАССИФИКАТОРА 13
1.1 Модель гедонистического синапса 13
1.2 Оценка качества обучения нейронной сети 16
1.3 Выводы 19
2 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МОДЕЛИ 20
2.1 Обзор программных средств 20
2.2 Реализация модели гедонистического синапса 21
2.2.1 Представление модели нейронной сети средствами DNN...21
2.2.2 Реализация модели гедонистического синапса в DNN. 22
2.3 Реализация функции оценки качества обучения 25
2.4 Выводы 27
3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ 28
3.1 Исследование метода обучения с подкреплением 28
3.1.1 Обучающие и тестовые данные 28
3.1.2 Конфигурация нейронной сети для исследования 29
3.1.3 Предварительная оценка влияния параметров 30
3.1.4 Байесовская оптимизация параметров 31
3.1.5 Результаты оптимизации 32
3.2 Применение классификатора для решения прикладной задачи 33
3.2.1 Формирования исходных данных 33
3.2.2 Конфигурация классификатора 34
3.2.3 Результаты 37
3.3 Выводы 37
ЗАКЛЮЧЕНИЕ 38
СПИСОК ЛИТЕРАТУРЫ 39
ПРИЛОЖЕНИЯ 42
Приложение 1 43
Приложение 2 46
Приложение 3 49
Приложение 4
📖 Введение
Задача классификации многомерных временных рядов за последнее десятилетие привлекает все большее внимание. Классификация временных рядов находит практическое применение во многих областях деятельности, в том числе в медицине, финансовом анализе, робототехнике [1, 2]. Одним из подходов к классификации является использование искусственных нейронный сетей [3]. Данная работа посвящена применению искусственных нейронных сетей, подобных биологическим, для решения задачи классификации.
✅ Заключение
Предложенный в работе [10] метод обучения с подкреплением для спайковых нейронных сетей на основе модели гедонистического синапса показал свою работоспособность. Проведено исследование по определению параметров синапса, обеспечивающих высокие значения скорости, качества и устойчивости обучения таких сетей. Гедонистический синапс может применяться в системах распознавания образов, в том числе, для классификации многомерных временных рядов. Определены способы повышения эффективности классификатора, построенного на основе спайковой нейронной сети. В процессе выполнения работы была подготовлена статья, посвященная рассматриваемому методу обучения.
Определение оптимальной структуры сети с гедонистическими синапсами и возможности их практического применения могут быть направлениями дальнейших исследований. Также следует отметить, что исследования этой модели, основанной на работе реального синапса, может внести вклад в решение общей проблемы, стоящей перед научным сообществом — проблемы выявления особенностей функционирования мозга.
