350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №6 за 2012 г.
Статья в номере:
Процедура определения оптимальных параметров вейвлет-преобразования и нейросетевого классификатора для распознавания паттернов нестационарных биорадиолокационных сигналов
Авторы:
М.Д. Алёхин - магистрант, кафедра «Медико-технические информационные технологии», лаборант-исследователь лаборатории дистанционного зондирования, МГТУ им. Н.Э. Баумана
Аннотация:
Разработана процедура определения оптимальных параметров вейвлет-преобразования и нейросетевого классификатора для распознавания паттернов нестационарных сигналов. Модифицированный критерий на основе энтропии логарифма энергии позволяет выбрать лучший вейвлетный базис, обеспечивающий извлечение максимально информативных признаков из анализируемых сигналов в задачах классификации. Получены высокие значения средней точности классификации на тестовой выборке по результатам десяти независимых испытаний работы искусственной нейронной сети.
Страницы: 46-54
Список источников
  1. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь. 1990. 304 с.
  2. Журавлёв Ю.И., Рязанов В.В., Сенько О.В.«Распознавание». Математические методы. Программная система. Практические применения. М.: ФАЗИС. 2006. 176 с.
  3. Ушаков И.Б., Богомолов А.В., Кукушкин Ю.А. Паттерны функциональных состояний оператора. М.: Наука. 2010. 390 с.
  4. Nonlinear and Nonstationary Signal Processing / Ed. by W.J. Fitzgerald, R.L. Smith, A.T. Walden, P.C. Young. Cambridge University Press. 2000. 471 p.
  5. Bishop C.M. Pattern Recognition and Machine Learning. Springer. 2007. 749 p.
  6. Митрофанов Д.Г., Сафонов А.В. Применение нейросетевой технологии для распознавания целей по радиолокационным изображениям // Нейрокомпьютеры: разработка, применение. 2006. №3. С. 60 - 68.
  7. American Sleep Disorders Association Standards of Practice Committee Practice Parameters for the Indications for Polysomnography and Related Procedures. Polysomnography Task Force // Sleep. 1997. V. 20. P. 406 - 422.
  8. Chesson A.L., Berry R.B. Practice Parameters for the Use of Portable Monitoring Devices in the Investigation of Suspected Obstructive Sleep Apnea in Adults // Sleep. 2003. V. 26. P. 907 - 913.
  9. Биорадиолокация / Под ред. А.С. Бугаева, С.И. Ивашова, И.Я. Иммореева. М.: Изд-во МГТУ им. Н.Э. Баумана. 2010. 396 с.
  10. Алёхин М.Д., Анищенко Л.Н., Журавлев А.В.Метод классификации дыхательных паттернов биорадиолокационного сигнала на основе искусственных нейронных сетей и вейвлет анализа // Биомедицинская радиоэлектроника. 2011. № 10. С. 57 - 64.
  11. Bulayev V.I. Acoustic Logging Data Compression // Proc. of the 7th International Workshop on Computer Science and Information Technologies. Ufa, Russia. 2005. V. 3. P. 240 - 241.
  12. Makiela W. An Evaluation of Irregularities of Milled Surfaces by the Wavelet Analysis // Manufacturing Engineering. 2010. V. 9. P. 22 - 26.
  13. Алёхин М.Д., Анищенко Л.Н., Журавлев А.В. Кратномасштабный вейвлет-анализ в формировании пространства признаков двигательных паттернов биорадиолокационного сигнала // Радиотехника. 2011. № 11. С. 20 - 25.
  14. Щеглов И.Н., Богомолов А.В., Печатнов Ю.А. Исследование влияния репрезентативности обучающей выборки на качество работы методов распознавания образов // Нейрокомпьютеры: разработка, применение. 2002. № 9 - 10. С. 3 - 9.
  15. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. М.: ДМК Пресс. 2005. 304 с.
  16. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: Диалог-МИФИ. 2002. 496 с.