350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №9 за 2016 г.
Статья в номере:
Нейросетевой способ классификации сложных объектов на основе признаков-отношений
Ключевые слова: классификация кластеризация распознавание задачи классификации нейросетевые способы классификации признаки классификации признаки-отношения
Авторы:
К.П. Коршунова - аспирант, кафедра вычислительной техники, Филиал Национального исследовательского университета «МЭИ» в г. Смоленске. E-mail: ksenya-kor@mail.ru
Аннотация:
Предложен способ решения задачи классификации сложных объектов, основанный на формировании признаков-отношений (в ходе решения подзадачи кластеризации) и применении их в качестве входных данных для нейронной сети; проведена оценка качества работы нейронного классификатора, реализовывающего предлагаемый способ, на примере диагностики рака молочной железы по результатам лабораторных исследований. Проведено сравнение нейросетевого способа классификации со способом, основанном на статистических методах; сделан вывод о том, что предлагаемый нейросетевой способ решения классификационных задач позволяет повысить качество решения задачи классификации сложных объектов (увеличить точность и полноту). Определены основные направления для дальнейших исследований.
Страницы: 57-63
Список источников

 

  1. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир. 1978. 412 с.
  2. Бонгард М.М. Проблема узнавания. М.: Наука. 1967. 321 с.
  3. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа. 1989. 367 с.
  4. Лямец Л.Л. Подход к формальному описанию объектов в задачах распознавания на основе принципа системности // Математическая морфология. Электронный математический и медико-биологический журнал. 2014. Т. 13. № 2.
  5. Коршунова К.П., Лямец Л.Л. Постановка задачи классификации объектов по множествам вероятностных признаков и отношениям между ними // Сб. трудов XI Междунар. науч.-техн. конф. студентов и аспирантов «Информационные технологии, энергетика и экономика». 2014. Т. 1. С. 171-173.
  6. Чижков А.В., Сеитова С.В. Классификация нейросетевых архитектур // Изв. Южного федерального университета. Сер.Технические науки. 2009. Т. 93. Вып. № 4. С. 220-225.
  7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком. 2006. 452 с.
  8. Шрейдер Ю.А. Равенство. Сходство. Порядок. Москва: Наука. 1971. 256 с.
  9. Coates A., Andrew Y. Ng. Learning feature representations with K-means. Stanford University. 2012.
  10. Коршунова К.П., Борисов В.В. Решение задачи классификации на основе учета бинарных и тернарных отношений между признаками // Сб. трудов IV Междунар. науч.-техн. конф. «Энергетика, информатика, инновации-2014». 2014. Т. 1. С. 195-201.
  11. Абросимов С.Ю. Проверка гипотезы о возможности идентификации стромы биологических тканей в норме, при предопухолевых и опухолевых процессах, научный отчет по проведенному научному исследованию. Смоленск. 2006.
  12. Softmax function // Wikipedia, the free encyclopedia. 2015. URL: http://en.wikipedia.org/wiki/Softmax_function (дата обращения: 01.06.2015).
  13. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика. 2002. 344 с.
  14. Manning C., Raghavan P., Schutze H. An Introduction to Information Retrieval. Cambridge: Cambridge UniversityPress. 2009.
  15. Вальд А. Последовательный анализ. М.: Физматгиз. 1960. 328 с.
  16. Коршунова К.П. Способ решения задачи классификации сложных объектов на основе учета отношений между вероятностными признаками // Информационные технологии и системы 2014 (ИТС 2014): Материалы междунар. науч. конф. 2014. С. 266-267.