Научный журнал
ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ.
СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.

ТЕХНИЧЕСКИЕ НАУКИ


ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ СЕВЕРО-КАВКАЗСКИЙ РЕГИОН. 2018; 2: 14-18

 

http://dx.doi.org/10.17213/0321-2653-2018-2-14-18

 

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С ЦЕЛЬЮ РЕДУКЦИИ ПАРАМЕТРОВ ВЫБОРКИ

О.В. Сташкова

Сташкова Ольга Витальевна – аспирант, Брянский государственный технический университет, г. Брянск, Россия.
E-mail: stashkova.ola@mail.ru

 

 

 

Аннотация

Обоснована необходимость в определении информативности факторов с целью последующего сокращения неинформативных. Наряду с классическими методами сокращения факторного пространства рассмотрены современные методы интеллектуального анализа данных, такие как «Дерево решений», «Искусственные нейронные сети» для решения поставленной задачи. Используя возможности пакета прикладных программ Matlab, смоделированы такие искусственные нейронные сети, как сеть радиально базисных функций, обобщенно-регрессионная нейронная сеть, многослойный персептрон. Параллельно описана возможность использования ИНС для восстановления пропущенных значений в наборе исходных данных.

Для определения значимости признаков был выбран метод фиксирования. В работе представлен алгоритм фиксирования и ранжирования признаков для исходного набора данных по N признакам.

Приведены результаты сравнительного анализа работы нескольких ИНС, метода интеллектуального анализа данных «Дерево решений» на наборе тестовых данных: на наборе данных, который был сгенерирован псевдослучайным образом. Представленные результаты доказывают преимущество нейросетевого моделирования для решения задач сокращения факторного пространства, несмотря на малый размер выборки.

Продемонстрированы результаты апробации предложенного подхода на реальных данных технологического процесса по возделыванию озимых сортов пшеницы, полученных в рамках пассивного эксперимента. Выполнена проверка качества сокращения данных, которая заключается в сравнении полученных результатов с мнением экспертов.

 

Ключевые слова: сокращение факторного пространства; искусственные нейронные сети; пассивный эксперимент; массив исходных данных.

 

Полный текст: [in elibrary.ru]

 

Ссылки на литературу

  1. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Network. 1989. Vol. 2. P. 366.
  2. Neural Network Software, About Neuro Solutions. URL: http://www.neuroproject.ru/aboutproduct.php (дата обращения 27.12.2017).
  3. Сташкова О.В., Аверченков А.В. Моделирование искусственных нейронных сетей для решения задач факторного анализа // Инновации в промышленности, управлении и образовании. Сб. науч. тр. междунар. науч.-практ. конф. Брянск: БГТУ, 2017. С. 117 – 120.
  4. Сташкова О.В., Шестопал О.В. Использование искусственных нейронных сетей для восстановления пропусков в массиве исходных данных // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2017. № 1 (193). С. 37 – 43.
  5. Сташкова О.В., Гарбузняк Е.С. Определение информативности показателей при факторном анализу данных // Прикладная математика и информатика: современные исследования в области естественных и технических наук. Сб. материалов III науч.-практ. всерос. конф. (школы-семинара) молодых ученых. Тольятти: Тольяттинский государственный университет, 2017. С. 550 – 553.
  6. Сташкова О.В. Математическое моделирование в сельском хозяйстве: формирование исходной базы данных  и её анализ. Математические методы и информационные технологии управления в науке, образовании и правоохранительной сфере: // Сб. мат. Всерос. науч.-техн. конф. / Московский гос. техн. ун-т им. Н.Э. Баумана; Академия ФСИН России, Рязанский гос. ун-т им. С.А. Есенина. 2017. С. 163 – 165.