Введение
1. Моделирование процессов классификации на основе нейросетей с парадигмой обратного распространения ошибки 10
1.1. Обзор состояния современных исследований 10
1.1.1. Классификация базовых нейроархитектур 10
1.1.2. Многослойные персептроны с обратным распространением ошибки 12
1.1.2.1. Алгоритмы с обратным распространением ошибки 14
1.1.2.2. Модернизированные алгоритмы с обратным распространением ошибки 20
1.1.2.2.1. Адаптивный алгоритм 20
1.1.2.2.2. Множественный адаптивный алгоритм 24
1.1.2.2.3. Алгоритм сопряженных градиентов 27
1.1.3. Нейросети на основе радиальных базисных функций 32
1.1.3.1. Структура нейросети 32
1.1.3.2. Алгоритм обучения 36
1.1.4. Полиномиальные нейросети 37
1.1.4.1. Структура нейросети 37
1.1.4.2. Алгоритм обучения 41
1.1.4.3. Критерий ошибки 46
1.2. Описание использованных моделей 51
1.2.1. Специфика задач классификации 51
1.2.2. Архитектура нейросетевых классификаторов 53
1.2.3. Полигоны объектов исследования 54
1.3. Моделирование процессов классификации на основе неиросетей с парадигмой обратного распространения ошибки 58
1.3.1. Влияние структуры нейросети 58
1.3.2. Нейросети с парадигмой обратного распространения ошибки 64
1.3.3. Нейросети с использованием адаптивного алгоритма 68
1.3.4. Нейросети с использованием множественного адаптивного алгоритма 73
1.3.5. Нейросети с использованием алгоритма сопряженных градиентов 77
1.3.6. Влияние начального значения параметра Т] на результаты тестирования различных неиросетей 82
1.4. Выводы по главе 1 86
Моделирование процессов распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств 87
2.1. Общие положения теории нечетких множеств 87
2.2. Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств 97
2.3. Полученные результаты и их обсуждение 103
2.4. Выводы по главе 2 106
Моделирование процессов классификации на основе специализированных нейросетей 107
3.1. Моделирование процессов классификации с помощью нейросетей, работающих на основе радиальных базисных функций 107
3.1.1. Общие замечания 107
3.1.2.0птимальная дисперсия базисных функций 108
3.1.3. Оптимальное число базисных функций 117
3.1.4. Определение центров базисных функций 121
3.2. Моделирование процессов классификации с помощью нейросетей работающих на основе метода группового учета данных 128
3.2.1. Общие замечания 128
3.2.2. Оценки ошибки функционирования полиномиальной нейросети 129
3.2.3. Оценка дисперсии ошибки 130
3.2.4. Влияния сложности полиномиальной нейросети С 133
3.2.5. Влияние числа слоев полиномиальной нейросети L 143
3.2.6. Влияние ширины слоя полиномиальной нейросети W...Л 54
3.3. Сравнительный анализ процессов нейросетевой классификации 166
3.3.1. Анализ уровня ошибки результатов функционирования различных нейросетей 166
3.3.2. Анализ ресурсов времени, необходимого для обучения и тестирования 170
3.3.3. Анализ ресурсов памяти, необходимой для обучения и тестирования 173
3.3.4. Заключительные замечания 176
3.4. Моделирование процессов классификации оценки профессиональной пригодности 182
3.4.1. Построение нейросетевого классификатора оценки профессиональной пригодности 183
3.4.1.1. Исходные положения 183
3.4.1.2. Описание модели классификатора 184
3.4.2. Моделирование процессов классификации оценки
профессиональной пригодности 186
3.5. Выводы по главе 3 190
4. Моделирование процессов распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей 191
4.1. Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей 191
4.2. Полученные результаты и их обсуждение 195
4.3. Выводы по главе 4 197
Выводы 198
Литература 200
