|
|
|
сделать стартовой | добавить в избранное |
 |
|
Компьютеры, Программирование Компьютерные сети
Классификация сейсмических сигналов на основе нейросетевых технологий |
Брелок LED "Лампочка" классическая. 
Мыло металлическое "Ликвидатор". 
Гуашь "Классика", 12 цветов. МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ Кафедра МОСОИиУ ПОЯСНИТЕЛЬНАЯ ЗАПИСКА К ДИПЛОМНОМУ ПРОЕКТУНа тему: Классификация сейсмических сигналов на основе нейросетевых 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 487. 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 “ vclass.h” 68 6. Файл автоматической компиляции программы под ОС U ix -“Makefile” 73 7. Основной модуль - “ vclass.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. 1. Основные положения теории нейронных сетей. Для того, чтобы обсуждать возможности нейросетевых технологий необходимо хотя бы немного иметь представление об элементарных понятиях, о том, что же такое нейрон, нейронная сеть, из чего она состоит и какие процессы в ней происходят. В нейроинформатике для описания алгоритмов и устройств выработана специальная «схемотехника», в которой элементарные устройства – сумматоры, синапсы, нейроны и т.п. объединяются в сети, предназначенные для решения задач. Это своего рода особенный язык для представления нейронных сетей и их обсуждения. При программной и аппаратной реализации на этом языке описания переводятся на языки другого уровня, более пригодные для реализации.Элементы нейронных сетей. Самыми простыми, базовыми элементами нейросетей являются: . Адаптивный сумматор. Элемент вычисляющий скалярное произведение вектора входного сигнала х на вектор параметров w; . Нелинейный преобразователь сигнала f преобразующий скалярный сигнал x в f(x); .
Формальный нейрон. (рис.1.1). Он состоит из элементов трех типов. Элементы нейрона - умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи, - вес синапса. Сумматор выполняет сложение сигналов, поступающих по синоптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется "функция активации" или "передаточная функция" нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента.Математическая модель нейрона: (2)где wi - вес синапса (weigh ), (i=0,1,2.p); w0 - значение смещения (bias); s - результат суммирования (sum); xi - компонента входного вектора (входной сигнал), (i=1,2,.p); y - выходной сигнал нейрона; p- число входов нейрона; f - нелинейное преобразование (функция активации). В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход (y) определяется видом функции активации и может быть как действительным, так и целым. Во многих практических задачах входы, веса и смещения могут принимать лишь некоторые фиксированные значения. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими. Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(x). Получив набор чисел (вектор) xk в качестве входов, нейрон выдает некоторое число y на выходе. Эта модель была предложена Маккалоком и Питтсом еще в 1943 г. При этом использовались пороговые передаточные функции (рис. 2a), и правила формирования выходного сигнала y выглядели особенно просто: (3) В 1960 г. на основе таких нейронов Розенблатт построил первый в мире автомат для распознавания изображений букв, который был назван “перcептрон” (percep io — восприятие). Этот автомат имел очень простую однослойную структуру и мог решать только относительно простые (линейные) задачи. С тех пор были изучены и более сложные системы из нейронов, использующие в качестве передаточных сложные непрерывные функции. Одна из наиболее часто используемых передаточных функций называется сигмоидной (или логистической) (рис. 2б) и задается формулой (4)Нейронная сеть. Нейронная сеть — это набор нейронов, определенным образом связанных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Одними из наиболее распространенных являются многослойные сети, в которых нейроны объединены в слои. Слой - это совокупность нейронов c единым входным сигналом. В качестве основного примера рассмотрим сеть, которая достаточно проста по структуре и в то же время широко используется для решения прикладных задач — двухслойный персептрон с p входами и одним выходом (рис. 2.3). Как следует из названия, эта сеть состоит из двух слоев. Собственно нейроны располагаются в первом (скрытом) и во втором (выходном) слое. Входной слой (также его называют нулевым или «вырожденным») только передает входные сигналы ко всем H нейронам первого слоя (здесь H = 4).
Иногда происходит так, что в лице одного из Мастеров несколько линий сливаются. В подобных случаях формируются новые технологические подходы. Как правило, именно такие школы являются наиболее мощными и яркими, именно их методы оказываются самыми эффективными. Бывает также, что Мастеру не удается найти преемника, который сумел бы перенять и развить всю технологию в целом. В таких случаях линия передачи знания может расщепиться на несколько ветвей, в основе тренинг-технологии каждой из которых лежат отдельные аспекты учения Мастера-основателя. Так случилось со школой одного из величайших Мастеров нынешнего столетия Шри Кришнамачарьи, которая сейчас представлена тремя линиями его последователей Айенгар-йогой господина Б. К. С. Айенгара, аштанга-виньяса-йогой Мастера Поттабхи Джойса и винийогой Шри Т. К. В. Десикачара - сына и прямого преемника Мастера Кришнамачарьи. В йоге господина Айенгара сконцентрирована вся точность и детальность проработки практических методов, свойственная йоге Кришнамачарьи, в аштанга-виньяса-йоге Поттабхи Джойса - ее мощность, сила и динамичность, в винийоге Шри Т. К. В
1. Основы информационных технологий
3. Основы компьютерных технологий
4. Анализ процессов в электрических цепях с ключевыми элементами на основе компьютерных технологий
9. Основы дискретизации и восстановления сигналов по теореме Котельникова
10. Сущность инноваций. Признаки, положенные в основу классификации инноваций
11. Маркетинговая деятельность на основе технологий Интернет
15. Расширение гуманитарных технологий на основе компетентностного подхода
16. Основы технологии и энергетики
Шкатулка для украшений Jardin D'Ete, цвет бежевый, "рептилия", 13x13x5,5 см. 
Каталка Glory "Утка" музыкальная (синяя). 
Доска чертежная Attache Selection, А3, 51x36,4 см. 17. Некоторые проблемы подготовки специалистов на основе перспективных инфор-мационных технологий
18. Основы использования WWW - технологий для доступа к существующим базам данных
19. Основы технологии производства рукавных полиэтиленовых пленок
20. Общие основы и принципы классификации страхования. Формы проведения страхования
21. Развитие банковских операций на основе современных электронных технологий. Интернет-банкинг
25. WEB технология, реализации информационного взаимодействия на основе телекомуникаций
27. Основы технологии программирования
28. Технологічні основи глобалізації
31. Классификация вин. Технология получения сусла
32. Основы технологии хранения и переработки овощей
Патроны для рапидографа, черные. 
Сувенир "Собака в шарфе", 15 см. 
Писсуар для мальчиков "Лягушка" с прицелом. 34. Экспертные системы – основа технологии информатизации врачебной деятельности
41. Основы построения систем. Способы передачи и анализ телемеханических сигналов
42. Фізико-технологічні основи одержання чутливих елементів для датчиків газів
43. Совершенствование технологии изготовления вкладыш-пустотообразователя на основе полипропилена
45. Технология возведения одноэтажного промышленного здания
47. Классификация и жизненные циклы диатомовых
48. Экологические основы устойчивости растений
Пепельница на ножке "Мэджик", 72 см. 
Карниз для ванной, угловой, белый, 240 см. 
Увлекательная настольная игра "Зверобуквы English", новая версия. 49. "Основы организации корабля" /Корабельный устав/
50. Основы ведения наступления подразделениями и частями
51. Классификация коллективных средств защиты и правила поведения людей в убежищах
53. Сейсмическое районирование
57. Правовые основы валютного регулирования и валютного контроля в Российской Федерации
58. Финансовые и правовые основы полного товарищества
59. Виды договоров и их классификация в гражданском праве
60. Понятие договора, классификация
61. Основы конституционного права Франции
62. Основы конституционного строя Великобритании
63. Правовые основы государственной службы в зарубежных странах
Чехол на лобовое стекло всепогодный (арт. TD 0334). 
Пазл "Новогодний праздник", 600 элементов. 
Настольная игра "Большая стирка". 65. Основы Конституционно-правового статуса субъектов РФ
66. Правовые основы взаимоотношений представительного и исполнительного органов местного самоуправления
67. Конституция – основной закон государства. Основы конституционного строя
68. Конституционные основы судебной власти
74. Основы делопроизводства (Контрольная)
75. Нормативно - правовая основа социального обеспечения военнослужащих
76. Правовые и нормативные основы труда
77. Классификация, экспертиза и сертификация игрушек
78. Понятие, классификация и содержание основных функций государства
79. Основы права (вопросы к зачету)
80. Структура правоотношения. Классификация правоотношений: критерии и виды
Устройство для контроля над питанием "Хрюшка-диетолог". 
Набор мисок "Mayer & Boch", 10 предметов. 
Автокресло Еду-Еду "KS-513 Lux" с вкладышем (цвет: голубой, 9-36 кг). 81. Правовые основы бухгалтерской и статистической отчетности
82. Project of decoding of "The Stermer Effect" (Сигналы из космоса, серии Штермера)
83. Разработка технологии по изготовлению книжного издания по искусству
84. Конспект учебника Мамонтова "Основы культурологии"(М., Изд. РОУ, 1996)
85. Основы социокультурного проектирования
90. Фольклорные основы сказок-повестей В. М. Шукшина
92. Раскол православия. Никонианство, как духовная основа прозападных преобразований в России
93. Intel Pentium 4 3,06 ГГц с поддержкой технологии Hyper-Threading
94. Использование информационных технологий в туризме
95. Квантование сигналов по времени
96. Технология ADSL
Противень глубокий "Mayer & Boch", мраморная крошка, 30,9 см. 
Стульчик-сумка для кормления и путешествий с пеленальной площадкой. 
Рюкзак "Max Steel", 42x29x15 см. 98. Проектирование и разработка сетевых броузеров на основе теоретико-графовых моделей
