Рус Eng За 365 дней одобрено статей: 2127,   статей на доработке: 286 отклонено статей: 924 
Библиотека
Статьи и журналы | Тарифы | Оплата | Ваш профиль

Лютикова Л.А., Шматова Е.В. Поиск логических закономерностей в данных с использованием сигма-пи нейронных сетей

Опубликовано в журнале "Программные системы и вычислительные методы" в № 3 за 2017 год на страницах 25-34.

Аннотация: В статье предлагается метод построения логических операций для анализа и коррекции результатов работы сигма-пи нейронных сетей, предназначенных для решения задач распознавания. Целью работы является выявление логической структуры неявных закономерностей, сформированных в результате обучения нейронной сети. Предлагаемый авторами метод восстанавливает обучающую выборку, опираясь на значения весовых коэффициентов сигма-пи нейрона, проводит анализ связей этой структуры и позволяет обнаружить неявные закономерности, что способствует повышению адаптивных свойств сигма-пи нейрона. Для решения поставленной задачи проводиться логико-алгебраический анализ предметной области в рамках которой происходит обучение сига-пи нейрона, строиться логическая решающая функция, исследуются ее свойства и применимость к коррекции работы нейрона. Широко известно, что комбинированный подход к организации работы алгоритмов распознания повышает их эффективность. Авторы утверждают, что комбинация нейросетевого подхода и применение логических корректоров позволяет в случаи возникновения некорректного ответа указать наиболее близкий по запрашиваемым признакам объект из выборки по которой обучался сигма-пи нейрон. Это существенно повышается качество автоматизированного решения интеллектуальных задач, т.е. обеспечение точности достижения верного решения за счет использования наиболее эффективных систем анализа исходных данных и разработки более точных методов их обработки.

Ключевые слова: нейрон, нейронные сети, логические функции, предикат, алгоритм, операции над алгоритмами, решающая функция, корректирующая операция, логико-алгебраический подход, классификатор

DOI: 10.7256/2306-434Х.2013.01.9

Эта статья недоступна для пользователей, которые не вошли в цифровую библиотеку издательства под своим логином и паролем. Перейдите по ссылке, чтобы зарегистрироваться или осуществить вход.

Если вы один из авторов этой статьи, вы можете открыть бесплатный доступ к этой статье для своих читателей. Вы должны зайти под своим логином и паролем, чтобы воспользоваться услугой. Перейдите по ссылке, чтобы зарегистрироваться или осуществить вход.

Библиография:
Флах П. Машинное обучение. Наука и исскуство построения алгоритмов, которые извлекают знания из данных. М.: МДК Пресс, 2015. 400 с.
Журавлёв Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. 1978. Т. 33. С. 5–68.
Воронцов К. В. Оптимизационные методы линейной и монотонной коррекции в алгебраическом подходе к проблеме распознавания // Журнал вычислительной математики и математической физики. 2000. Т. 40, № 1. С. 166–176.
Абламейко С.В., Бирюков А.С., Докукин А.А., Дьяконов А.Г., Журавлев Ю.И., Краснопрошин В.В., Образцов В.А., Романов М.Ю., Рязанов В.В. Практические алгоритмы алгебраической и логической коррекции в задачах распознавания по прецедентам // Журнал вычислительной математики и математической физики. 2014. Т. 54. № 12. С. 1979.
Тимофеев А.В., Косовская Т.М. Нейросетевые методы логического описания и распознавания сложных образов // Труды СПИИРАН, 27 (2013). С. 144–155.
Дюкова Е.В., Журавлев Ю.И., Прокофьев П.А. Методы повышения эффективности логических корректоров // Машинное обучение и анализ данных. 2015. Т. 1. № 11. С. 1555-1583.
Гридин В.Н., Солодовников В.И., Евдокимов И.А., Филипков С.В. Построение деревьев решений и извлечение правил из обученных нейронных сетей // Искусственный интеллект и принятие решений. 2013. №4. С. 26-33.
Zhiting Hu, Xuezhe Ma, Zhengzhong Liu, Eduard Hovy, Eric Xing Harnessing Deep Neural Networks with Logic Rules // Computer Science. Learning 2016 .arXiv:1603.06318
Alex Graves, Greg Wayne, Malcolm Reynolds, Tim Harley, Ivo Danihelka, Agnieszka GrabskaBarwinska, Sergio Gómez Colmenarejo, Edward Grefenstette, Tiago Ramalho, John Agapiou, et al. Hybrid computing using a neural network with dynamic external memory. Nature, 538:(7626):471–476, 2016.
Шибзухов З.М. О поточечно корректных операциях над алгоритмами распознавания и прогнозирования //Доклады РАН. 2013, Т.450, №1. С.24-27.
Shibzukhov Z.M. Correct Aggregation Operations with Algorithms // Pattern Recognition and Image Analysis. 2014, Vol. 24, No. 3, pp. 377–382.
Шибзухов З.М. О некоторых конструктивных и корректных классах алгебраических сигма-пи алгоритмов // Доклады РАН, 2010. Т. 432, №4. С. 465-468.
Тимофеев А.В., Пшибихов В.Х. Алгоритмы обучения и минимизации сложности полиномиальных распознающих систем // Известия АН СССР. Техническая кибернетика. 1974. № 7. С. 214-217.
Тимофеев А.В., Лютикова Л.А. Развитие и применение многозначных логик и сетевых потоков в интеллектуальных системах // Труды СПИИ РАН. Вып. 2, 2005. С. 114-126.
Лютикова Л. А., Шматова Е. В. Анализ и синтез алгоритмов распознавания образов с использованием переменно-значной логики // "Информационные технологии". Том 22. №4. 2016. С. 292—297.
Лютикова Л.А. Использование математической логики с переменной значность при моделировании систем знаний // Вестник Самарского государственного университета. Естественнонаучная серия. №6(65). 2008. С. 20-27.

Правильная ссылка на статью:
просто выделите текст ссылки и скопируйте в буфер обмена