1 / 43

Системный анализ данных в задаче нейросетевой классификации

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.

drake-gallegos
Télécharger la présentation

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. Триангуляция знаковых графов • Декомпозиция согласованного контура • Треугольник противоречий Семинар "Нейроинформатика" Санкт-Петербург 2008

  7. Варианты согласования треугольника противоречий Семинар "Нейроинформатика" Санкт-Петербург 2008

  8. Полная модель знакового треугольника • Внутренние связи - двусторонние, симметричные • Внешние связи - односторонние Семинар "Нейроинформатика" Санкт-Петербург 2008

  9. Матричная интерпретация • Алгебраическая система знакового графа Системная матрица Семинар "Нейроинформатика" Санкт-Петербург 2008

  10. 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

  11. Оценка степени обусловленности системной матрицы • Топологические формула расчета определителя • Разложение графа по вершине Семинар "Нейроинформатика" Санкт-Петербург 2008

  12. Элементарные графы • Диполь и ленточный граф Семинар "Нейроинформатика" Санкт-Петербург 2008

  13. Концепция ближайшего окружения • Тетраэдр окружения Семинар "Нейроинформатика" Санкт-Петербург 2008

  14. 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

  15. Морфология многовершинной структуры Семинар "Нейроинформатика" Санкт-Петербург 2008

  16. 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

  17. Варианты согласования многовершинной структуры Семинар "Нейроинформатика" Санкт-Петербург 2008

  18. Ориентированная разделяющая структура Семинар "Нейроинформатика" Санкт-Петербург 2008

  19. Разделяющая структура в реальных данных Семинар "Нейроинформатика" Санкт-Петербург 2008

  20. Эталонная модель Семинар "Нейроинформатика" Санкт-Петербург 2008

  21. Концепция открытой локальности Семинар "Нейроинформатика" Санкт-Петербург 2008

  22. Интегрированная SHARE • Анализ Семинар "Нейроинформатика" Санкт-Петербург 2008

  23. Поляризация факторов ISHARE Семинар "Нейроинформатика" Санкт-Петербург 2008

  24. ISHARE в реальных данных Семинар "Нейроинформатика" Санкт-Петербург 2008

  25. Многофакторные модели • Дуплет «Подобие (SIM)» и модели iBase Семинар "Нейроинформатика" Санкт-Петербург 2008

  26. Двухфакторные модели взаимодействий • Дуплеты SWI Семинар "Нейроинформатика" Санкт-Петербург 2008

  27. Дуплет SWI в реальных данных Семинар "Нейроинформатика" Санкт-Петербург 2008

  28. Оценка степени обсловленности для дуплетов • Модель без дополнительного ребра • Модель с дополнительным ребром Семинар "Нейроинформатика" Санкт-Петербург 2008

  29. Модель iBase в реальных данных Семинар "Нейроинформатика" Санкт-Петербург 2008

  30. 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

  31. Системный портрет Семинар "Нейроинформатика" Санкт-Петербург 2008

  32. Наполнение локальностей SHARE Семинар "Нейроинформатика" Санкт-Петербург 2008

  33. Вершинное покрытие для множества дуплетов Семинар "Нейроинформатика" Санкт-Петербург 2008

  34. Совпадение локальностей для дуплетов Семинар "Нейроинформатика" Санкт-Петербург 2008

  35. 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

  36. 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

  37. 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

  38. Классификатор эталонной модели Семинар "Нейроинформатика" Санкт-Петербург 2008

  39. Схема голосования Голосующий вес классификатора l по образу j Результаты голосования Решение о принадлежности к образу Семинар "Нейроинформатика" Санкт-Петербург 2008

  40. Иерархия голосований Семинар "Нейроинформатика" Санкт-Петербург 2008

  41. Обобщающая способность классификатора Семинар "Нейроинформатика" Санкт-Петербург 2008

  42. 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

  43. Обобщающая способность классификатора.Пример 2. Семинар "Нейроинформатика" Санкт-Петербург 2008

More Related