Системный анализ данных в задаче нейросетевой классиф...
This presentation is the property of its rightful owner.
Sponsored Links
1 / 43

Системный анализ данных в задаче нейросетевой классификации PowerPoint PPT Presentation


  • 90 Views
  • Uploaded on
  • Presentation posted in: General

Системный анализ данных в задаче нейросетевой классификации. Дорогов А.Ю. Каф. Автоматики и процессов управления Санкт-Петербургского государственного электротехнического университета «ЛЭТИ». ПРОБЛЕМЫ КОЛЛЕКТИВНОЙ КЛАССИФИКАЦИИ. 1. Противоречия в данных.

Download Presentation

Системный анализ данных в задаче нейросетевой классификации

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


7098970

Системный анализ данных в задаче нейросетевой классификации

Дорогов А.Ю.

Каф. Автоматики и процессов управления Санкт-Петербургского государственного электротехнического университета «ЛЭТИ»

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

ПРОБЛЕМЫ КОЛЛЕКТИВНОЙ КЛАССИФИКАЦИИ

  • 1. Противоречия в данных.

  • 2. Области компетенции частных классификаторов.

  • 3. Малые обучающие выборки.

  • 4. Интеграция частных решений.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Область компетенции классификатора

  • Под областью компетенции понимается подмножество объектов признакового подпространства, в пределах которого определена сфера действия частного классификатора с заданным подмножеством распознаваемых образов.

  • Главная проблема заключается в отсутствии достоверного критерия однородности для признакового поля области компетенции.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Предлагаемые решения

  • 1. Локализация однородных артефактов признакового пространства.

  • 2. Индуктивная схема объединения однородных локальностей.

  • 3. Выделение стереотипов поведения.

  • 4. Статистическая верификация эталонных моделей.

  • 5. Слабообученные частные нейросетевые классификаторы.

  • 6. Голосующий алгоритм интеграции частных классификаций.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Содержание

  • Алгебраическая модель знакового графа.

  • Принципы локальной балансировки.

  • Структурный портрет системы данных.

  • Верификация эталонных моделей.

  • Коллективная классификация образов.

  • Результаты экспериментов.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Триангуляция знаковых графов

  • Декомпозиция согласованного контура

  • Треугольник противоречий

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Варианты согласования треугольника противоречий

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Полная модель знакового треугольника

  • Внутренние связи - двусторонние, симметричные

  • Внешние связи - односторонние

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Матричная интерпретация

  • Алгебраическая система знакового графа

    Системная матрица

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Баланс полносвязанных графов

  • Теорема. Если в полносвязанном знаковом графе отрицательные связи образуют связанный подграф, в котором существуют, по крайней мере, две вершины, связанные отрицательными связями со всеми другими вершинами подграфа, то исходный граф несбалансирован и определитель его системной матрицы равен нулю.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Оценка степени обусловленности системной матрицы

  • Топологические формула расчета определителя

  • Разложение графа по вершине

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Элементарные графы

  • Диполь и ленточный граф

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Концепция ближайшего окружения

  • Тетраэдр окружения

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Теорема «О разделении граней»

Если в основании тетраэдра размещен несбалансированный треугольник, то только две из четырех граней тетраэдра могут быть согласованы.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Морфология многовершинной структуры

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Разделяющая структура

Осевая симметрия треугольника выделяется однозначно, если построенная многовершинная структура из тетраэдров окружения удовлетворяет следующим условиям:

1) Количество согласованных треугольников в структуре равно N, тогда как число не согласованных треугольников в ней, включая основание равно 2N.

2) Только одно ребро основания (база) определяет с вершинами окружения Nсогласованных треугольников.

3) Сумма согласованных треугольников, образованных вершинами окружения и двумя другими ребрами основания структуры равна N.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Варианты согласования многовершинной структуры

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Ориентированная разделяющая структура

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Разделяющая структура в реальных данных

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Эталонная модель

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Концепция открытой локальности

Семинар "Нейроинформатика" Санкт-Петербург 2008


Share

Интегрированная SHARE

  • Анализ

Семинар "Нейроинформатика" Санкт-Петербург 2008


Ishare

Поляризация факторов ISHARE

Семинар "Нейроинформатика" Санкт-Петербург 2008


Ishare1

ISHARE в реальных данных

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Многофакторные модели

  • Дуплет «Подобие (SIM)» и модели iBase

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Двухфакторные модели взаимодействий

  • Дуплеты SWI

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Дуплет SWI в реальных данных

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Оценка степени обсловленности для дуплетов

  • Модель без дополнительного ребра

  • Модель с дополнительным ребром

Семинар "Нейроинформатика" Санкт-Петербург 2008


Ibase

Модель iBase в реальных данных

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Структурный портрет системы реальных данных

  • Система данных представляет собой таблицу, состоящую из 56 количественных показателей и 214 объектов наблюдений.

  • Мерой связи является коэффициент корреляции. Связи считались значимыми, если вероятность гипотезы ошибочного значения коэффициента корреляции не превышала уровня 0.05.

  • Знаковый граф покрывает 55 вершин, имеет плотность 0.406 и состоит из 648 ребер, из которых 401 являются положительными и 247 отрицательными.

  • В графе обнаружено 3281 треугольников, из которых 393 являются треугольниками противоречий. Максимальная степень вершины 38, минимальная 2.

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Системный портрет

Семинар "Нейроинформатика" Санкт-Петербург 2008


Share1

Наполнение локальностей SHARE

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Вершинное покрытие для множества дуплетов

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Совпадение локальностей для дуплетов

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

ISHARE

(Номер и имя особой вершины)

Объемы кластеров

Детерминистская верификация по особой вершине

Детерминистская верификация по всем вершинам

Стохастическая верификация

Left

Right

Left

Right

Left

Right

2=Y_DC

1

1

104

27

206

180

4=Cr_DC

11

11

69

65

198

200

5=Y_AC

13

13

84

80

208

209

7=Cr_AC

1

1

36

27

150

179

13=quadrant1

1

1

70

11

194

100

14=quadrant2

4

4

97

9

193

95

15=quadrant3

0

0

44

40

183

175

24=FormFac1

5

5

44

9

197

147

47=Mass3x

1

1

48

7

192

163

Верификация эталонных моделей

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Показатель

Значение

Число объектов в базе данных

214

Число классов Concept/Мodifier ()

118

Размерность признакового пространства ()

56

Максимальная представительность образа

24

Минимальная представительность образа

1

Семантическая классификация изображений

Семинар "Нейроинформатика" Санкт-Петербург 2008


N 214 m 56

Представительность образов в базе данных N=214, M=56

Links 648

PlusLinks 401

MinusLinks 247

NVertex 55

GraphDensity 0.40602

MaxVertexDegree 38

MinVertexDegree 2

Triangles 3674

Concert_Triangles 3281

Contr_Triangles 393

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Классификатор эталонной модели

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Схема голосования

Голосующий вес классификатора l по образу j

Результаты голосования

Решение о принадлежности к образу

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Иерархия голосований

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Обобщающая способность классификатора

Семинар "Нейроинформатика" Санкт-Петербург 2008


2 n 535 m 99

Пример 2, N=535, M=99

Links 2556

PlusLinks 1447

MinusLinks 1109

NVertex 99

GraphDensity 0.50614

MaxVertexDegree 80

MinVertexDegree 17

Triangles 30744

Concert_Triangles 25805

Contr_Triangles 4939

Семинар "Нейроинформатика" Санкт-Петербург 2008


7098970

Обобщающая способность классификатора.Пример 2.

Семинар "Нейроинформатика" Санкт-Петербург 2008


  • Login