Information
Registration Number
0411U003632,
Status
к.т.н.
Date
27-04-2011
popup.evolution
o
Title
Self-learning spiking neural networks in data mining tasks
Author
Dolotov Artem Ihorovych,
popup.head Bodyanskiy Yevgeniy Volodymyrovych
popup.opponent Дмитрієнко Валерій Дмитрович
popup.opponent Романишин Юрій Михайлович
Description
Об'єкт дослідження - інтелектуальне аналізування чисельних даних. Мета дослідження - розробити на основі самонавчанної спайк-нейронної мережі методи кластерування даних за умов попередньої та поточної невизначеності - коли кластери оброблюваних даних перетинаються, мають складну форму або їхня кількість змінюється в часі, які забезпечують підвищення швидкості обробляння даних, а також зсинтезувати аналого-цифрову архітектуру самонавчанної спайк-нейронної мережі. Методи дослідження: теорія обчислювального інтелекту - для визначення методологічних підвалин та контексту дослідження; теорія штучних нейронних мереж - для аналізування архітектури спайк-нейронної мережі, удосконалення методу її самонавчання та модифікування багатошарової спайк-нейронної мережі; обчислювальна нейробіологія - для аналізування архітектури й самонавчанності спайк-нейронної мережі та для побудування її аналого-цифрової архітектури; теорія нечіткої логіки та кластерний аналіз - для побудування гібридних нечітких систем на основі спайк-нейронної мережі; індуктивне моделювання та теорія планування дослідів - для побудування мінливих архітектур спайк-нейронної мережі; теорія автоматичного керування - для побудування аналого-цифрової архітектури спайк-нейронної мережі; імітаційне моделювання - для визначення ефективності застосування розроблених систем. Теоретичні і практичні результати роботи в сукупності розв'язують наукову задачу кластерування даних за умов попередньої та поточної невизначеності на основі самонавчанних спайк-нейронних мереж. Наукова новизна: 1) уперше для нечіткого кластерування даних запропоновано гібридну самонавчанну спайк-нейронну мережу, що в порівнянні з відомими стандартними методами нечіткого кластерування дозволило підвищити швидкість обробляння даних за умов, коли кластери, що їх треба виявити, перетинаються; 2) уперше запропоновано нечіткий рецепторний нейрон та на його базі архітектуру шару фазифікування вхідних даних самонавчанної спайк-нейронної мережі, що на відміну від відомого вхідного шару популяційного кодування дозволило підвищити ефективність обробляння даних за умов наявності попередніх знань про розв'язувану задачу; 3) уперше запропоновано аналого-цифрову архітектуру базової самонавчанної спайк-нейронної мережі на основі Лапласового перетворювання, що дозволило викласти функціювання біоподібних нейромереж в термінах класичної теорії автоматичного керування; 4) удосконалено самонавчанну багатошарову спайк-нейронну мережу, в якій на відміну від первісно запропонованої мережі прибрано налаштовні бічні зв'язки та зменшено кількість методів навчання до одного, що дозволило підвищити швидкість її навчання; 5) удосконалено метод самонавчання спайк-нейронної мережі, який на відміну від ориґінального методу оновлює синапсові ваги не лише нейрона-переможця, а також і його сусідів, що дозволило підвищити якість навчання запропонованих гібридних систем. Ступінь упровадження - результати дослідження впроваджено в Торговельному центрі "Марс" у м. Петровське (акт упровадження від 18.05.2010) й у Державному науково-виробничому підприємстві "Системні технології" в м. Дніпропетровськ (акт упровадження від 14.06.2010); наукові положення, висновки й рекомендації, викладені в дисертації, використано в навчальних курсах "Нейромережеві методи обчислювального інтелекту" та "Інтелектуальний аналіз даних", що їх читають студентам спеціальності "Інтелектуальні системи прийняття рішень" Харківського національного університету радіоелектроніки (акт упровадження від 06.09.2010). Сфера використання - в організаціях, що займаються проблемами розробляння інтелектуальних систем нечіткого кластерування даних; у різноманітних галузях, де потрібно групувати вхідні дані за умов невизначеності, зокрема в системах відеонагляду, для сеґментування зображень, виявляння певних об'єктів на зображеннях тощо; у навчальному процесі під час підготовки фахівців у галузі систем інтелектуального обробляння інформації.
Registration Date
2011-04-27
popup.nrat_date
2020-04-04
search.subscribing
Updated: 2025-12-08