- •Методы нейроинформатики
- •Фцп "интеграция"
- •Предисловие редактора
- •Моделирование данных при помощи кривыхдля восстановления пробелов в таблицах
- •660036, Красноярск-36, ивм со ран,
- •1. Общая схема метода
- •2. Итерационный метод главных компонент для данных с пропусками
- •3. Квазилинейные факторы и формулы Карлемана
- •4. Нейронный конвейер
- •Литература
- •Финитность и детерминированность простых программ для кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Понятие кинетической машины Кирдина
- •3. Модели выполнения программы
- •3.1. Последовательная модель
- •3.2. Параллельно-последовательная модель
- •3.3. Максимальная параллельно-последовательная модель
- •4. Программы, состоящие из одной команды
- •4.1. Распад
- •4.2. Синтез
- •4.3. Прямая замена
- •5. Заключение
- •ЛитературА
- •Алгоритмическая универсальность кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Погрешности нейронных сетей. Вычисление погрешностей весов синапсов
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Структура сети
- •3. Два базовых подхода к оценкам погрешности
- •4. Погрешности весов синапсов
- •5. Гарантированные интервальные оценки погрешностей весов синапсов
- •6. Среднеквадратические оценки погрешностей весов синапсов
- •7. Заключение
- •Литература
- •Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон
- •660036, Красноярск-36, ивм со ран,
- •Введение
- •1. Проблемы обработки таблиц экспериментальных данных
- •2. Искусственные нейронные сети
- •2.1. Элементы нейронных сетей
- •2.2. Архитектуры нейронных сетей
- •2.3. Решение задач нейронными сетями
- •2.4. Подача входных сигналов и снятие выходных сигналов сети
- •2.5. Обучение нейронных сетей
- •2.6. Вычисление градиента функции оценки по подстроечным параметрам сети
- •2.7. Факторы, влияющие на обучение нейронной сети
- •2.8. Упрощение нейронных сетей
- •2.9 Вычисление показателей значимости параметров и входных сигналов сети
- •3. Транспонированная задача регрессии
- •4. Применение нейросетевых технологий для обработки таблицы климатических данных
- •4.1. Заполнение пропусков в таблице климатических данных
- •4.2. Построение классификационной модели ландшафтных зон и секторов континентальности
- •4.2.1. Классификация ландшафтных зон Сибири
- •4.2.2. Идентификация лесных зон по континентальности
- •4.3. Прогнозирование возможного изменения ландшафтных зон и секторов континентальности
- •5. Заключение
- •Литература
- •Интуитивное предсказание нейросетями взаимоотношений в группе
- •660049, Красноярск, пр. Мира 82
- •1. Проблема оценки взаимоотношений
- •2. Общая задача экспериментов
- •3. Применяемые в экспериментах психологические методики
- •4. Эксперименты по предсказанию группового статуса
- •5. Нейросетевое исследование структуры опросника
- •6. Оценка оптимизации задачника нейросетью с позиций теории информации
- •7 Эксперименты по предсказанию парных взаимоотношений
- •Литература
- •Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями
- •660049, Красноярск, пр. Мира 82
- •1. Постановка проблемы
- •2. Аналитическое решение
- •3. Запись решения в идеологии нейросетей
- •4. Алгоритмическая часть
- •5. Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица
- •6. Соглашение о терминологии
- •7. Компоненты сети
- •8. Общий элемент сети
- •9. Вход сети
- •10. Выход сети
- •11. Синапс сети
- •12. Тривиальный сумматор
- •13. Нейрон
- •14. Поток сети
- •15. Скомпонованная полутораслойная поточная сеть
- •Литература
- •Использование нейросетевых технологий при решении аналитических задач в гис
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Использование нейросетевых технологий для проведения учебно-исследовательских работ
- •1. Введение
- •2. Зимняя Политехническая Школа по Нейроинформатике
- •3. Задачи
- •4. Результаты
- •5. Перспективы
- •Литература
- •Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Логически прозрачные нейронные сети
- •2.1. Архитектура логически прозрачных сетей
- •2.2. Критерии логической прозрачности нейронной сети
- •2.3. Требования к нелинейности элементов
- •3. Контрастирование нейронов
- •4. Приведение нейронных сетей к логически прозрачному виду
- •4.1. Наложение ограничений на архитектуру нейросети
- •4.2. Упрощение нейросети
- •4.3. Приведение настраиваемых параметров сети к предельным значениям и модификация нелинейных преобразователей нейронов
- •4.4. Проведение эквивалентных преобразований структуры нейросети
- •5. Вербализация нейронных сетей
- •6. Автоматическая генерация полуэмпирических теорий
- •7. Когнитологические аспекты
- •8. Влияние функции оценки на логическую прозрачность сети. Исключение примеров
- •9. Как выбирают американских президентов
- •10. Заключение
- •Литература
- •Содержание
4.2.2. Идентификация лесных зон по континентальности
В данной работе все лесные зоны (лесотундра, лес и лесостепь) разделены на три сектора континентальности:
Континентальный.
Резко континентальный.
Крайне континентальный.
Первая классификация сделана отдельно для равнин. В обучающую выборку включены данные для 76 метеостанций, а в тестирующую – для 62 метеостанций. Взяты те же входные параметры, что и для рассмотренной ранее классификации ландшафтных зон, выходным параметром (классом) является сектор континентальности. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:
класс 1 (континентальный сектор) – 19 и 15 примеров,
класс 2 (резко континентальный) – 24 и 20 примеров,
класс 3 (крайне континентальный) – 33 и 27 примеров.
Обучено 12 нейросетей. При тестировании процент правильных ответов колебался от 72 до 82%. Наилучшая сеть ошибается так: к континентальному сектору отнесены 3 из 20 метеостанций резко континентального сектора и 1 из 27 метеостанций крайне континентального сектора; к резко континентальному сектору отнесены 3 из 15 станций континентального сектора и 2 из 27 станций крайне континентального сектора; к крайне континентальному сектору отнесены 3 из 20 станций резко континентального сектора. Самыми информативными параметрами для данной нейронной сети оказались коэффициент увлажнения, средняя температура июля и годовая сумма осадков.
Для классификации секторов в горах в обучающую выборку включены данные для 44 метеостанций, а в тестирующую – для 18 метеостанций. В обучающей и тестирующей выборках примеры делятся по классам следующим образом:
класс 1 (континентальный) – 15 и 5 примеров,
класс 2 (резко континентальный) – 12 и 4 примера,
класс 3 (крайне континентальный) – 17 и 9 примеров.
Для разделения секторов в горах обучено 16 нейросетей. При тестировании процент правильных ответов колебался от 72 до 89%. При тестировании нейросети с лучшей точностью прогноза получились следующие результаты: к резко континентальному сектору отнесена 1 из 9 метеостанций крайне континентального сектора, к крайне континентальному сектору отнесена 1 из 4 метеостанций резко континентального сектора. Самыми информативными параметрами для данной нейронной сети оказались осадки холодного периода, индекс континентальности и дефицит влаги. Это хороший результат. Все три параметра действительно значимы и имеют экологический смысл применительно к ситуации.
Информативность климатических параметров для классификации секторов континентальности на равнине и в горах сильно отличается, поэтому эти секторы нежелательно объединять в одну классификацию. Нужно отметить, что для классификации равнинных секторов индекс континентальности не играет большой роли (по сравнению с его значимостью для классификации секторов в горах). Хотя этот параметр, по мнению ландшафтоведов, имеет важное значение для классификации секторов.
По итогам работы по разделению секторов можно сделать следующие выводы: данная классификационная модель, как и классификация ландшафтных зон, пригодна для дальнейших исследований, т.к. по небольшому количеству основных параметров климата она дает неплохие результаты.