НАУЧНЫЙ ВЕСТНИК

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.

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.