Registration Number
0411U003632, Candidate dissertation
Status
к.т.н.
Date
27-04-2011
popup.evolution
.
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
popup.rada
Kharkov national university of radioelectronics
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
2011-06-02
popup.nrat_date
2020-04-04 / 2026-06-30