НАУЧНЫЙ ВЕСТНИК


НОВОСИБИРСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА

ISSN (печатн.): 1814-1196          ISSN (онлайн): 2658-3275
English | Русский

Последний выпуск
№1(78) Январь - Март 2020

Классификация станков, описываемых большим количеством признаков, на основе нейронной сети распознавания и редукции пространства признаков

Выпуск № 1 (78) Январь - Март 2020
Авторы:

Сосинская Софья Семеновна,
Рогачева Софья Андреевна
DOI: http://dx.doi.org/10.17212/1814-1196-2020-1-107-118
Аннотация

В последние годы растет актуальность классификации информации с использованием нейронных сетей. Это связано с тем, что объемы данных, которые необходимо обрабатывать, становятся с каждым днем всё больше. Практически все современные программные комплексы характеризуются большим разнообразием взаимодействующих программных модулей, что, в свою очередь, увеличивает сложность обработки данных. На этом этапе разработчики программных продуктов используют различные методы.



Нейронные сети позволяют достигать максимально высоких скоростей и высокой точности в работе с большим объемом информации по сравнению с другими методами классификации и обработки данных. В связи с этим задача разработки методов классификации становится всё более актуальной.



В статье рассматривается подход к классификации выборки моделей станков, описываемых большим количеством признаков. В качестве инструмента для проведения классификации используется два наиболее известных типа нейронных сетей: многослойный персептрон и сеть распознавания. В связи с тем, что ни на одном типе сети на полном наборе признаков не было получено высокое качество классификации, авторы применили метод главных компонент (PCA) для редукции пространства признаков, что повлекло за собой существенное повышение качества классификации.



Разработанный подход может применяться  для классификации моделей станков, не представленных в выборке. Кроме того, статья иллюстрирует тот факт, что выбор метода классификации в значительной степени зависит от вида предметной области и характера выборки.



Программная реализация основана на использовании системы MATLAB, которая предоставляет множество инструментов и методов для подготовки, анализа и визуализации данных.


Ключевые слова: классификация, нейронные сети, разработка методов, многослойный персептрон, сеть распознавания, метод главных компонент, метод РСА, редукция пространства признаков

Список литературы

1. Горбань А.Н. Обучение нейронных сетей. – М.: Параграф, 1990. – 160 с.



2. Нейроинформатика / А.Н. Горбань и др.; отв. ред. Е.А. Новиков. – Новосибирск: Наука, 1998. – 296 с.



3. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. – М.: ДМК-Пресс, 2017. – 652 с.



4. Каллан Р. Основные концепции нейронных сетей. – М.: Вильямс, 2001. – 288 с.



5. Круглов В.В., Борисов В.В. Искусственные нейронные сети: теория и практика. – М.: Горячая линия-Телеком, 2001. – 382 с.



6. Goodfellow Y., Benjio I., Courville A. Deep learning. – Cambridge: The MIT Press, 2016.



7. Merrel J.-P. Neural network. – Dordrecht: Springer, 2006. – P. 15–79.



8. Menezes A.J., Oorschot P.V., Vanstone S.A. Handbook of applied cryptography. – Boca Raton: CRC Press, 1996. – 816 p.



9. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. – М.: Высшая школа, 2002. – 184 с.

Для цитирования:

Сосинская С.С., Рогачева С.А. Классификация станков, описываемых большим количеством признаков, на основе нейронной сети распознавания и редукции пространства признаков // Научный вестник НГТУ. – 2020. – № 1 (78). – С. 107–118. – DOI: 10.17212/1814-1196-2020-1-107-118.

 

For citation:

Sosinskaya S.S., Rogacheva S.A. Klassifikatsiya stankov, opisyvaemykh bol'shim koliche-stvom priznakov, na osnove neironnoi seti raspoznavaniya i reduktsii prostranstva priznakov [Classification of machine tools described by a large number of features based on the neural network of recognition and attribute space reduction]. Nauchnyi vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta = Science bulletin of the Novosibirsk state technical university, 2020, no. 1 (78), pp. 107–118. DOI: 10.17212/1814-1196-2020-1-107-118.

Просмотров: 172