Тип работы:
 Предмет:
 Язык работы:


Классификация многомерных временных рядов при помощи спайковых искусственных нейронных сетей

Работа №80230

Тип работы

Дипломные работы, ВКР

Предмет

автоматика и управление

Объем работы47
Год сдачи2018
Стоимость4355 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
133
Не подходит работа?

Узнай цену на написание


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

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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

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.



1. Сотников П. И. Обзор методов обработки сигнала электроэнцефалограммы в интерфейсах мозг-компьютер [Электронный ресурс] // Инженерный вестник. 2014. N 10 URL: http://engbul.bmstu.ru/doc/739934.html(дата обращения: 30.05.2016).
2. Vail D., Veloso M. Learning from accelerometer data on a legged robot // Proceedings of the 5th IFAC/EURON symposium on intelligent autonomous vehicles. 2004.
3. Чернышев А. С. Спайковые нейронные сети для решения задач классификации временных рядов // Наукоемкие технологии и интеллектуальные системы: материалы XVI молодеж. междунар. науч.-техн. конф., Москва, 23-24 апр. 2014 г. М.: Изд-во МГТУ им. Баумана, 2014. С. 33-36.
4. Карпенко А. П., Кострубин М. С., Чернышев А. С. Эффективность классификации многомерных временных рядов с помощью шейплетов // Наука и образование. 2015. N 11. С. 382-405. DOI: 10.7463/1115.0827396
5. McLachlan G. Discriminant analysis and statistical pattern recognition. John Wiley & Sons, 2004. 544 c.
6. Cortes C., Vapnik V. Support-vector networks // Machine learning. 1995. Vol. 20(3). P. 273-297.
7. Baum L. E., Petrie T. Statistical inference for probabilistic functions of finite state Markov chains // The annals of mathematical statistics. 1966. Vol. 37(6). P. 1554-1563.
8. LukosEvicIus M., Jaeger H. Reservoir computing approaches to recurrent neural network training // Computer Science Review. 2009. Vol. 3(3). P.
127-149. DOI: 10.1016/j.cosrev.2009.03.005
9. Maass W. Networks of spiking neurons: the third generation of neural network models // Neural networks. 1997. Vol. 10(9). P. 1659-1671.
10.Seung H. S. Learning in Spiking Neural Networks by Reinforcement of Stochastic Synaptic Transmission // Neuron. 2003. Vol. 40(6). P. 1063¬1073. DOI: 10.1016/S0896-6273(03)00761-X
11.Skinner B. F. The behavior of organisms: an experimental analysis. New York: Appleton-Century-Crofts. 1938.
12. Peters J., Bagnell J. A. Policy Gradient Methods // Encyclopedia of Machine Learning. Springer US. 2011. P. 774-776.
13. Bradley A. P. The Use of the Area Under the ROC Curve in the Evaluation of Machine Learning Algorithms // Pattern Recognition. 1997. Vol. 30(7). P. 1145-1159. DOI: 10.1007/978-0-387-30164-8_640
14. Paugam-Moisy H., Bohte S. Computing with spiking neuron networks // Handbook of natural computing. Springer Berlin Heidelberg, 2012. P. 335-376. DOI: 10.1007/978-3-540-92910-9_10
15. Александров А. Ю. и др. Нейрон. Обработка сигналов. Пластичность. Моделирование // Тюмень: ТГУ. 2008. 548 c.
16. The Brian spiking neural network simulator [Электронный ресурс] // Официальный сайт проекта. 2016. URL: http://briansimulator.org/(дата обращения: 30.05.2016).
17. The Nengo Neural Simulator [Электронный ресурс] // Официальный сайт проекта. 2016. URL: http://www.nengo.ca/(дата обращения: 30.05.2016).
18. Library of Dynamic Neural Networks for time series related tasks [Электронный ресурс] // Исходный код проекта на github.com. 2016.
URL: https://github.com/alexeyche/dnn(дата обращения 30.05.2016).
19.Sublime Text 3 [Электронный ресурс] // Официальный сайт проекта.
2016. URL: https://www.sublimetext.Com/3(дата обращения 30.05.2016).
20. RStudio [Электронный ресурс] // Официальный сайт проекта. 2016. URL: https://www.rstudio.com/products/rstudio/(дата обращения 30.05.2016).
21. Kappel D., Nessler B., Maass W. STDP installs in winner-take-all circuits an online approximation to hidden markov model learning // PLoS Comput Biol. 2014. Vol. 10(3). P. e1003511. DOI: 10.1371/journal.pcbi.1003511
22. Brochu E., Cora V. M., De Freitas N. A tutorial on Bayesian optimization of expensive cost functions, with application to active user modeling and hierarchical reinforcement learning // arXiv preprint arXiv:1012.2599.
2010.
23. ROS sensor_msgs/Imu Message [Электронный ресурс] // Документация по ROS. 2016. http://docs.ros.org/api/sensor_msgs/html/msg/Imu.html(дата обращения 20.05.2016)
24. ROS nav_msgs/Odometry Message [Электронный ресурс] //
Документация по ROS. 2016.
http://docs.ros.org/api/nav_msgs/html/msg/Odometry.html (дата
обращения 20.05.2016)

Работу высылаем на протяжении 30 минут после оплаты.



Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (131265)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.