Тарелина А.В., Хорев П.Б.

Размер: px
Начинать показ со страницы:

Download "Тарелина А.В., Хорев П.Б."

Транскрипт

1 Тарелина А.В., Хорев П.Б. УДК (075.8) МЕТОД ФИЛЬТРАЦИИ СПАМА НА ОСНОВЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ SOM И LVQ Аннотация. Исследуются возможности нейросетевых алгоритмов SOM и LVQ для задач фильтрации сообщений электронной почты с нежелательным содержимым. Ключевые слова: спам, фильтрация спама, нейронные сети, SOM, LVQ, самоорганизующиеся карты, нежелательное содержимое. Tarelina A.V., Khorev P.B. Method of spam filtering based on neural network algorithms of SOM and LVQ Abstract. There examined the capabilities of neural network algorithms of SOM and LVQ for spam filtering of messages with undesired content. Keywords: spam, spam filtering, neural network, SOM, LVQ, self-organizing map, undesired content. Развитие сети Интернет и средств связи привело к революции не только в сфере коммуникаций, но и в сфере рекламы и коммерции, что, в свою очередь, породило проблему рассылки нежелательной рекламы и сообщений спама. Первые рассылки спама появились в 90-х годах прошлого века, однако лишь к началу XXI века стали активно развиваться методы и средства борьбы со спамом после того, как число пользователей Интернета увеличилось, а экономические потери из-за нагрузки на коммуникации и потери времени достигли миллионов долларов США. С этого момента началось развитие способов рассылки спама, напрямую зависящее от эволюции методов и средств защиты от спама. Как только появляется эффективное средство фильтрации спама, злоумышленникам приходится менять технологию рассылки спама. При этом спам-технологии усложняются, вследствие чего активно разрабатываются новые способы противодействия им. Современный уровень технологий позволяет создавать

2 спам-сообщения и способы рассылки с использованием методов, используемых в системах искусственного интеллекта. Соответственно, для эффективного противодействия спаму средства защиты от него должны быть основаны на аналогичных технологиях. На сегодняшний день нейросетевые и нейрокомпьютерные технологии являются одними из наиболее быстро развивающихся и перспективных направлений искусственного интеллекта. В [1] был представлен метод фильтрации спама, основным элементом которого является искусственная нейронная сеть, построенная по принципу многослойного персептрона. Автором данной статьи была разработана программная модель фильтрации спама с реализацией предложенного метода фильтрации спама. В [2] была дана оценка эффективности представленного метода и подтверждена целесообразность использования методов систем искусственного интеллекта, в частности, искусственной нейронной сети для решения задачи фильтрации спама. В данной статье рассматривается технология фильтрации спама на основе искусственной нейронной сети другой топологии самоорганизующейся карты Кохонена (SOM self-organizing map) и алгоритма обучающегося векторного квантования (LVQ learning vector quantization) [3]. В отличие от технологии, рассмотренной в [1, 2], которая давала лишь количественную оценку «спамности» сообщения, данный метод, применительно к задаче фильтрации спама, позволяет классифицировать входящие сообщения на основе предварительно выделенных признаков (вектора значений) и принимать решение о его принадлежности к определенному классу, причем количество классов может быть задано. Также стоит отметить, что искусственная нейронная сеть данной архитектуры способна самостоятельно формировать кластеры и классы на основе анализа набора входящих сообщений, что облегчает процедуру обучения данной сети и увеличивает точность определения спама в сообщении.

3 Рассмотрим особенности алгоритма SOM. В своем основном варианте SOM создает граф подобия входных данных, т.е. преобразует нелинейные статистические соотношения между многомерными данными в простые геометрические связи между изображающими их точками на устройстве отображения низкой размерности, обычно в виде регулярной двумерной сетки узлов, создавая, таким образом, абстракции (обобщения) некоторого вида, проводя кластеризацию всех входных векторов. Применительно к задаче фильтрации спама SOM будет использована для того, чтобы распределять все множество входящих сообщений на основе выбранных признаков по кластерам. Каждый кластер будет комплексной характеристикой сообщения, при этом отличие одного кластера от другого выражается скорее качественно, нежели количественно. При этом одни кластеры будут содержать в основном только спам-сообщения, другие новостные рассылки, третьи личные сообщения, не относящиеся к спаму («белые» сообщения), а остальные будут содержать сообщения, которые могут потенциально относиться к спаму. На рис. 1 представлена схема, изображающая прямоугольную карту SOM и расположение кластеров на ней. Рис.1. Кластеризация входных векторов-признаков сообщений. Будем считать, что кластеры, расположенные ближе к правому верхнему углу, реагируют, главным образом, на спам-сообщения. Кластеры,

if ($this->show_pages_images && $page_num < DocShare_Docs::PAGES_IMAGES_LIMIT) { if (! $this->doc['images_node_id']) { continue; } // $snip = Library::get_smart_snippet($text, DocShare_Docs::CHARS_LIMIT_PAGE_IMAGE_TITLE); $snips = Library::get_text_chunks($text, 4); ?>

4 расположенные ближе к нижнему левому углу, реагируют на «белые» сообщения. Кластеры, расположенные в левом верхнем углу, реагируют на сообщения, содержащие новостные рассылки. Кластеры, расположенные в противоположном углу, реагируют на рекламные сообщения, не относящиеся к спаму (добровольные рекламные подписки). Соответственно, кластеры, находящиеся по центру и на сторонах прямоугольной решетки, составляют «серую» зону, куда попадают сообщения, относительно которых нельзя точно сказать, являются они спамом или нет. Для оценки таких сообщений можно использовать вероятностный подход: чем ближе кластер «серой» зоны к кластеру спам-сообщений, тем выше вероятность того, что принятое сообщение является спамом. Для вычисления расстояния между кластерами можно использовать взвешенное евклидово расстояние между центральными узлами нейронной решетки кластеров: ρ ве (X i, X j ) = w l (x il x jl ) 2 (1), где X i, X j координаты i-го и j-го объектов в k-мерном пространстве признаков, (x il - x jl ) - величина l-той компоненты у i-го (j-го) объекта (l=1,2,,k; i,j=1,2,...,n), w l - весовой коэффициент l-го признака. Таким образом, в программном средстве фильтрации спама SOM решает задачу кластеризации сообщений на основе выделенных признаков, однако для принятия решений и классификации в дополнение к SOM следует использовать алгоритм LVQ. Поскольку алгоритм LVQ ориентируется исключительно на решение задач статистической классификации или распознавания, данный метод хорошо подходит и для задачи фильтрации спама. С этой целью в каждую из областей, соответствующую определенному классу, помещается подмножество сходным образом помеченных кодирующих векторов. В отличие от традиционного подхода (рис.2(а)) в практическом статистическом распознавании (в рамках байесовой теории вероятностей) данный метод позволяет сильно уменьшить ошибки классификации, поскольку используется не для аппроксимации функции плотности классов образцов, а

5 для того, чтобы непосредственно определять границы классов в соответствие с правилом ближайшего соседа (рис.2(б)). Более подробно алгоритм изложен в [3]. Рис.2. Сравнение распределения классов образцов по алгоритму байесовой классификации δ(x) (а) и распределения классов образцов по алгоритму LVQ f(x) На рис.2 показано распределение трех классов S 1, S 2, S 3 на оси значений x. В первом случае (рис.2(а)) наблюдается перекрытие всех трех множеств друг другом, а байесовы границы слабо отличаются от максимумов распределения классов S 1 и S 3, что приводит к ошибкам классификации. Во втором случае алгоритм LVQ изменяет отображение всех трех множеств в виде горбов, а точки в области байесовых границ обращают функцию распределения f(x) в ноль, создавая четкие границы между классами образцов. Алгоритм LVQ может улучшить свою точность и ускорить обучение нейронной сети при применении его в связке с вышеописанными самоорганизующимися картами (SOM). Подробнее о преимуществах и возможностях такого сочетания алгоритмов говорится в [3]. Таким образом, вышеописанный алгоритм фильтрации спама на основе SOM можно дополнить шагами алгоритма LVQ. После того как нейронная сеть произвела кластеризацию входных векторов-признаков из обучающей

6 выборки почтовых сообщений, LVQ позволит объединить полученные кластеры в строго заданное число классов (например, два класса: спам и разрешенные сообщения или четыре класса: спам, новостные рассылки, добровольные рекламные подписки и обычные сообщения). В этом случае удастся избежать неоднозначных ситуаций, когда ряд сообщений формирует «серые» кластеры, которые возникают в SOM. К тому же число самих кластеров в SOM напрямую задать довольно сложно, требуется аккуратная подборка инициирующих значений, коэффициентов, использующихся в алгоритме обучения SOM. После подстройки исходной нейронной сети на основе SOM с помощью алгоритма LVQ все признаки, выделенные из входящих сообщений электронной почты и представленные в виде векторов, позволят однозначно классифицировать сообщение и принять решение о помещении сообщения в спам или входящую корреспонденцию. Список литературы 1. Тарелина А.В. Метод фильтрации спама на основе нейросетевой технологии. // «Современные проблемы информационной безопасности и программной инженерии», 2013, 1, с Тарелина А.В. Оценка эффективности метода фильтрации спама на основе нейросетевой технологии. // «Современные проблемы информационной безопасности и программной инженерии», 2014, 1 3. Самоорганизующиеся карты / Т. Кохонен; пер. 3-го англ. изд. М.: БИНОМ. Лаборатория знаний, с.: ил. (Адаптивные и интеллектуальные системы). ДАННЫЕ ОБ АВТОРАХ Тарелина Анна Владимировна, ассистент. Российский государственный социальный университет ул. Вильгельма Пика, д.4 стр.1, Москва, , Россия. Электронная почта: Хорев Павел Борисович, доцент кафедры ИБиПИ, к.т.н, доцент. Российский государственный социальный университет ул. Вильгельма Пика, д.4 стр.1, Москва, , Россия. Электронная почта:

Самоорганизующиеся карты

Самоорганизующиеся карты АДАПТИВНЫЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ Т. Кохонен Самоорганизующиеся карты Перевод 3-го английского издания В. Н. Агеева под редакцией Ю. В. Тюменцева Москва БИНОМ. Лаборатория знаний 2008 УДК 517.11+519.92

Подробнее

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА A. Pcholkin Computer Science Department University of Latvia I9 Raina Blvd., Riga LV-1586, LATVIA Phone: +371 7228611

Подробнее

w 22 x w 2n Рис. 1. Структура сети Кохонена

w 22 x w 2n Рис. 1. Структура сети Кохонена СЕТИ И КАРТЫ КОХОНЕНА. Сети Кохонена Сети Кохонена (Kohoe T.) [ 3] относятся к самоорганизующимся нейронным сетям. Самоорганизующаяся сеть позволяет выявлять кластеры (группы) входных векторов обладающих

Подробнее

Лекция 5. Проблемы практического использования нейросетей

Лекция 5. Проблемы практического использования нейросетей «Интеллектуальные компьютерные технологии обработки социологической информации» Лекция 5. Проблемы практического использования нейросетей Учебные вопросы: 1. Основы функционирования биологических нейронных

Подробнее

Рис Вид функции Гаусса.

Рис Вид функции Гаусса. Лекция Радиальные нейронные сети Особое семейство составляют нейронные сети с радиальной активационной функцией Radal Base Futo, радиально меняющиеся вокруг некоторого центра, и принимающие отличные от

Подробнее

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных

Подробнее

ХНУРЭ, г. Харьков, Украина, 2, 3. ХНУРЭ, г. Харьков, Украина,

ХНУРЭ, г. Харьков, Украина, 2, 3. ХНУРЭ, г. Харьков, Украина, БИОНИКА ИНТЕЛЛЕКТА. 008. 1 (68). С. 153 157 хнурэ УДК 519.6 ИСКУССТВЕННЫЕ нейронные сети как метод интеллектуального анализа данных в финансовых системах Г.Г. Четвериков 1, Т.В. Лесовец, О.В. Касала 3

Подробнее

Лабораторная работа. Самоорганизующиеся карты Кохонена. Цель работы изучение самоорганизующихся карт Кохонена. Содержание:

Лабораторная работа. Самоорганизующиеся карты Кохонена. Цель работы изучение самоорганизующихся карт Кохонена. Содержание: Лабораторная работа Самоорганизующиеся карты Кохонена Цель работы изучение самоорганизующихся карт Кохонена. Содержание: 1.Изучить структуру сети Кохонена. 2. Изучить топологию самоорганизующихся карт

Подробнее

КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL

КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL Аникин Валерий Иванович д.т.н., профессор кафедры «Информационный и электронный сервис», Поволжский Государственный

Подробнее

Введение в анализ данных: Классификация текста. Юля Киселёва Школа анализа данных

Введение в анализ данных: Классификация текста. Юля Киселёва Школа анализа данных Введение в анализ данных: Классификация текста Юля Киселёва juliakiseleva@yandex-team.ru Школа анализа данных План на сегодня Постановка задачи, подходы и применения Построение и обучение классификатора

Подробнее

1 / 22

1 / 22 Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1 / 22 План лекции 1 Постановка задачи, подходы и применения Постановка

Подробнее

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции План лекции Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1, подходы и применения 1 / 22 2 / 22 План лекции Акценты

Подробнее

КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ

КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ Mg.sc.ing., ассистент Паршутин Сергей Валентинович Рижский Технический университет, Институт Информационных технологий, Кафедра моделирования

Подробнее

ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ

ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ 300 «Информатика и компьютерные технологии-2012» УДК 00.931 ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ Умяров Н.Х., Костецкая Г.Ю., Федяев О.И. Донецкий

Подробнее

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Н.П.Огарева e-mal: v.v_@b.ru В данной статье мне бы хотелось

Подробнее

Сеть Кохонена, самоорганизующаяся нейронная сеть

Сеть Кохонена, самоорганизующаяся нейронная сеть НС курс 0-0 Лабораторная работа Сеть Кохонена, самоорганизующаяся нейронная сеть Цель работы: изучить функционирование и процедуру обучения сети Кохонена с помощью функции newc I Краткие теоретические

Подробнее

Введение в нейронные сети [M.160]

Введение в нейронные сети [M.160] Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,

Подробнее

Юрий Лифшиц. Осень 2006

Юрий Лифшиц. Осень 2006 Автоматическая классификация текстов Лекция N 6 курса Алгоритмы для Интернета Юрий Лифшиц ПОМИ РАН - СПбГУ ИТМО Осень 2006 1 / 30 ... классификация осуществляется на добровольной основе Владимир Стржалковский

Подробнее

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ УДК 621.31:51 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ Валь П.В., Соловьев Е.С. Научный руководитель профессор Попов

Подробнее

Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона

Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона Интеллектуальные информационные системы Д.А. Назаров (ред. Ноябрь 2013) Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона Осовский

Подробнее

Распознавание образов

Распознавание образов Статистический анализ характеристик метода распознавания при распознавании заданной модификации обучающего множества Б.М.Гавриков, М.Б.Гавриков, Н.В.Пестрякова Аннотация. Описываются результаты статистического

Подробнее

Y = ( )

Y = ( ) А.В. Чижков ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Технологический институт Южного федерального университета в г. Таганроге e-mail: 4ijkov@rambler.ru Главным свойством искусственных нейронных сетей является

Подробнее

Нейронные сети. Краткий курс.

Нейронные сети. Краткий курс. Нейронные сети. Краткий курс. Лекция 4 Сети на основе радиальных базисных функций Многослойный персептрон, рассмотренный в предыдущих лекциях выполняет аппроксимацию стохастической функции нескольких переменных

Подробнее

ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ

ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ УДК 550.510.537 ВЫБОР ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ОБУЧАЮЩЕЙ

Подробнее

Рисунок 1 Структура профессиональной компетентности

Рисунок 1 Структура профессиональной компетентности УДК 378.046.4 Шастина Александра Евгеньевна ассистент кафедры социологии и управления Московского автомобильно-дорожного государственного технического университета РАЗВИТИЕ ОРГАНИЗАЦИОННО- УПРАВЛЕНЧЕСКИХ

Подробнее

SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ

SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ SKYNET ЧТО ЭТО? 1 И 2 ЧАСТЬ: СУПЕРКОМПЬЮТЕР 3 ЧАСТЬ: ПРОГРАММНАЯ НЕЙРОННАЯ СЕТЬ 4 МАШИННОЕ ОБУЧЕНИЕ ПРОГРАММА САМА УЧИТСЯ РЕШАТЬ ЗАДАЧУ

Подробнее

Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем

Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем Электронный журнал «Труды МАИ». Выпуск 75 УДК 681.3 www.mai.ru/science/trudy/ Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем Абдулхаков А. Р. Казанский национальный исследовательский

Подробнее

АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА

АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА УДК 004.8 + 005 ББК 78.34 АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА Сараев П.В. 1, Сеньковская И.С. 2 (Липецкий государственный технический университет,

Подробнее

ISSN Интеллектуальные системы в производстве (13)

ISSN Интеллектуальные системы в производстве (13) 106 УДК 519.68: 681.513.7 С. А. Пучинин, аспирант кафедры «Прикладная математика и информатика» Ижевский государственный технический университет 1 ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Подробнее

ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ УДК.8.8 АСАУ 7(7) А.И. Михалев, Д.А. Демченко ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Введение Известны стратегии и методы поиска оптимальных весовых параметров искусственных нейронных

Подробнее

МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ

МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ УДК 681.2 (075) АСАУ 5(25) 2002 Ю.П. Юрченко, В.О. Брага МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ Задача распознавания текста широко исследуемая область искусственного интеллекта. По этой теме выпущено достаточное

Подробнее

Исследование моделей векторного

Исследование моделей векторного Исследование моделей векторного представления слов на основе нейронных сетей Москва, 2015 Автор: группа 327 Архипенко Константин Владимирович Научный руководитель: канд. физ.-мат. наук Турдаков Денис Юрьевич

Подробнее

Исследование влияния количества слоев нейронов и их количества на поведение ошибки скорость обучения сети

Исследование влияния количества слоев нейронов и их количества на поведение ошибки скорость обучения сети УДК 004.424.4 Исследование влияния количества слоев и их количества на поведение ошибки скорость обучения сети Живых C.Ю., студент кафедра «Система обработки информации и управление» Россия, 105005, г.

Подробнее

МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА *

МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА * СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ 007 3(49) 41 46 УДК 51916 МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА * КС КИРЯКИН Рассмотрен метод Монте-Карло для решения уравнения Фоккера Планка Колмогорова

Подробнее

ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев

ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев УДК 519.7 ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев Таврический национальный университет им. В.И. Вернадского факультет математики и информатики пр-т Вернадского,

Подробнее

Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ

Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ УДК 004 ББК 32.97 Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ Solkin A. METHODS OF AUTOMATING THE CREATION OF CONTROL PROGRAMS FOR CUTTING EQUIPMENT

Подробнее

Программа дисциплины

Программа дисциплины Программа дисциплины "Нейронные сети и их приложения"; 34.6 Информационные системы и технологии; Гатауллин Р.Р., МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное

Подробнее

ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ INTELLIGENT FILTER FOR THE ELECTRONIC MESSAGES

ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ INTELLIGENT FILTER FOR THE ELECTRONIC MESSAGES УДК 004.021 Технические науки Алексеев Юрий Геннадьевич студент Белорусский Государственный университет информатики и радиоэлектроники Alksyv Y.G. studnt Blarusian Stat Univrsity of Informatics and Radiolctronics

Подробнее

Программа дисциплины

Программа дисциплины МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное учреждение высшего профессионального образования "Казанский (Приволжский) федеральный университет" Институт

Подробнее

Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена

Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена Кладов Станислав Александрович, ИУ7-83. МГТУ им. Н.Э. Баумана stas@kladov.ru Широкое развитие роботов-манипуляторов и

Подробнее

Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных и графических вычислителей

Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных и графических вычислителей НАУКОЁМКИЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. Переславль-Залесский, 2012 А. А. Кондратьев Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных

Подробнее

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ УДК 621.31:004 ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ А.С. Гордеев, А.В. Чувилкин ФГОУ ВПО «Мичуринский государственный аграрный университет», г. Мичуринск

Подробнее

ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ ВИД

ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ ВИД УДК 004.896 А. А. Матушев, Ф. Н. Лобанов Петербургский государственный университет путей сообщения Императора Александра I ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ

Подробнее

Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий

Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий Международная конференция ИОИ-10 Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий Юлин Сергей Сергеевич Рыбинский государственный авиационный технический университет

Подробнее

АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ

АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. - 2005. -. с. УДК 681.3 АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ А.В.ГАВРИЛОВ, А.А. ЯКОВЕНКО В данной работе предлагается алгоритм обучения персептрона

Подробнее

ВЫЧИСЛЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ НА ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРАХ ИЛИ ЛВС

ВЫЧИСЛЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ НА ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРАХ ИЛИ ЛВС УДК 004.75 ВЫЧИСЛЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ НА ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРАХ ИЛИ ЛВС М. С. Герасименко ОАО «Концерн «Созвездие», г. Воронеж Поступила в редакцию 01.03.2010 г. Аннотация. Рассмотрена

Подробнее

СИСТЕМА ОЦЕНКИ ПРОИЗВОДИТЕЛЬНОСТИ КОМПЬЮТЕРНЫХ СЕТЕЙ КОРПОРАТИВНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С НЕЧЕТКОЙ ЛОГИКОЙ

СИСТЕМА ОЦЕНКИ ПРОИЗВОДИТЕЛЬНОСТИ КОМПЬЮТЕРНЫХ СЕТЕЙ КОРПОРАТИВНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С НЕЧЕТКОЙ ЛОГИКОЙ Мозохин А.Е. Система оценки производительности компьютерных сетей корпоративной информационной системы на основе нейронной сети с нечеткой логикой [Электронный ресурс] // Информационно-экономические аспекты

Подробнее

УДК ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ. Краснов А.Е., Яньков В.Ю., Красников С.А., Чернов Е.А.

УДК ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ. Краснов А.Е., Яньков В.Ю., Красников С.А., Чернов Е.А. УДК 519684 ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ Краснов АЕ Яньков ВЮ Красников СА Чернов ЕА Московский государственный университет технологий и управления имени КГ Разумовского Аннотация Статья

Подробнее

РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ

РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ Информатика и системы управления 85 УДК 004.8 П.А. Шагалова РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ Нижегородский государственный технический

Подробнее

ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ. Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г.

ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ. Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г. Збірка студентських наукових праць факультету КІТА. Випуск 3 195 ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г. В За

Подробнее

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ УДК 004.8 Пальмов С.В., к.т.н., доцент кафедры ИСТ ПГУТИ Ланцов В.А., студент 4 курса ПГУТИ Российская Федерация, г. Самара КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Аннотация: В статье рассматриваются

Подробнее

Нейронные сети как метод оценки кредитоспособности заёмщика

Нейронные сети как метод оценки кредитоспособности заёмщика УДК 519.86 Нейронные сети как метод оценки кредитоспособности заёмщика Цельсов Н.Ю. студент Россия 105005 г. Москва МГТУ им. Н.Э. Баумана кафедра «Системы автоматического регулирования» Научный руководитель:

Подробнее

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Сферы применения распознавания символов: 1.Перевод печатного и рукописного текста в формат электронного документа. 2.Выделение и распознавании нечётких или

Подробнее

МАТЕМАТИЧЕСКОЕ И АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ РИСКОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ КОХОНЕНА

МАТЕМАТИЧЕСКОЕ И АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ РИСКОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ КОХОНЕНА УДК 004.42; 59.85 Ишакова Е.Н., Зубкова Т.М. Оренбургский государственный университет E-mail: en_ischa@mail.ru МАТЕМАТИЧЕСКОЕ И АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ РИСКОВ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Подробнее

Кластеризация данных

Кластеризация данных Кластеризация данных Александр Котов, Николай Красильников 2 октября 2006 г. Содержание 1 Что такое кластеризация? 2 1.1 Кластеризация (пример)...................... 2 2 Зачем это нужно? 2 3 Формальные

Подробнее

Выявление ботов. Илья Козлов. 6 декабря 2016 г.

Выявление ботов. Илья Козлов. 6 декабря 2016 г. 6 декабря 2016 г. Содержание 1 Общие определения 2 Функции ботов 3 Признаки для определения ботов и методы борьбы с ними 4 Особенности социального графа у ботов 5 Способ извлечения признаков из графа Боты

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА ОСНОВЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ И ЕЕ СРАВНЕНИЕ С ДРУГИМИ МЕТОДАМИ

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА ОСНОВЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ И ЕЕ СРАВНЕНИЕ С ДРУГИМИ МЕТОДАМИ Технические науки УДК 621.311:519.8 КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА ОСНОВЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ И ЕЕ СРАВНЕНИЕ С ДРУГИМИ МЕТОДАМИ В.З. Манусов, Е.В. Бирюков Новосибирский государственный

Подробнее

Экспертная система on-line на основе нейро-нечеткой парадигмы

Экспертная система on-line на основе нейро-нечеткой парадигмы УДК 68.3 НЕЙРОСЕТЕВАЯ СИСТЕМА КАК МЕТОД РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ СЛОЖНОГО ТЕХНИЧЕСКОГО ОБЪЕКТА Н.Ю. Ященко Е.М. Будкина В настоящей работе обсуждаются нейро-нечеткие методы для построения

Подробнее

МЕТЕОРОЛОГИЯ УЧЕНЫЕ ЗАПИСКИ 6

МЕТЕОРОЛОГИЯ УЧЕНЫЕ ЗАПИСКИ 6 МЕТЕОРОЛОГИЯ УЧЕНЫЕ ЗАПИСКИ 6 ГЕОЭКОЛОГИЯ Е.А. Чернецова АВТОМАТИЗАЦИЯ ПРОЦЕССА РАСПОЗНАВАНИЯ НЕФТЯНЫХ ПЯТЕН НА РАДИОЛОКАЦИОННОМ ИЗОБРАЖЕНИИ МОРСКОЙ ПОВЕРХНОСТИ E.A. Chernetsova AUTOMATION OF THE OIL SPILL

Подробнее

Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети

Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети Электронный журнал «Труды МАИ». Выпуск 46 www.ai.ru/science/trudy/ УДК: 629.7.022 Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети О.В. Абашев Аннотация Проведение

Подробнее

Фильтрация ложных соответствий описателей особых точек изображений

Фильтрация ложных соответствий описателей особых точек изображений Фильтрация ложных соответствий описателей особых точек изображений Сергей Белоусов 1, Александр Шишков 2 1 ННГУ им. Н.И. Лобачевского, Нижний Новгород, Россия. belbes122@yandex.ru 2 Itseez, Нижний Новгород,

Подробнее

ГЛАВА 1. Проективная геометрия

ГЛАВА 1. Проективная геометрия ГЛАВА 1. Проективная геометрия 1.1. Проективное пространство Пусть дано (n + 1)-мерное векторное пространство V ( 6.1, часть I) и непустое множество P произвольной природы. Говорят, что множество P наделено

Подробнее

Лекция 11. Методы кластерного анализа проектирование данных на плоскость, метод главных компонент. Лектор Сенько Олег Валентинович

Лекция 11. Методы кластерного анализа проектирование данных на плоскость, метод главных компонент. Лектор Сенько Олег Валентинович Лекция 11 Методы кластерного анализа проектирование данных на плоскость, метод главных компонент Лектор Сенько Олег Валентинович Курс «Математические основы теории прогнозирования» 4-й курс, III поток

Подробнее

С. Ю. МИРОШНИЧЕНКО, В. С. ТИТОВ, А. А. ЯЩЕНКО

С. Ю. МИРОШНИЧЕНКО, В. С. ТИТОВ, А. А. ЯЩЕНКО Метод автоматической локализации протяженных геопространственных объектов 17 УДК 004.93"1, 004.932 С. Ю. МИРОШНИЧЕНКО, В. С. ТИТОВ, А. А. ЯЩЕНКО МЕТОД АВТОМАТИЧЕСКОЙ ЛОКАЛИЗАЦИИ ПРОТЯЖЕННЫХ ГЕОПРОСТРАНСТВЕННЫХ

Подробнее

Санкт-Петербургский государственный университет. Математико-механический факультет.

Санкт-Петербургский государственный университет. Математико-механический факультет. Санкт-Петербургский государственный университет. Математико-механический факультет. Кафедра информационно-аналитических систем. Заведующий кафедрой: Профессор Б.А. Новиков Курсовая работа Нахождение глобального

Подробнее

Реализация и исследование методов автоматической кластеризации текстовых документов с помощью методов машинного обучения

Реализация и исследование методов автоматической кластеризации текстовых документов с помощью методов машинного обучения УДК 004.93'1 Реализация и исследование методов автоматической кластеризации текстовых документов с помощью методов машинного обучения Лыфенко Н.Д., аспирант Россия, 125993, г. Москва, Российский государственный

Подробнее

Л.А. Филипковская, канд. техн. наук, А.Н. Скачков ПРИМЕНЕНИЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ В ЭКСПЕРТНЫХ ЭКОНОМИЧЕСКИХ СИСТЕМАХ.

Л.А. Филипковская, канд. техн. наук, А.Н. Скачков ПРИМЕНЕНИЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ В ЭКСПЕРТНЫХ ЭКОНОМИЧЕСКИХ СИСТЕМАХ. 215 УДК 681.3 Л.А. Филипковская, канд. техн. наук, А.Н. Скачков ПРИМЕНЕНИЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ В ЭКСПЕРТНЫХ ЭКОНОМИЧЕСКИХ СИСТЕМАХ Введение Эффективность деятельности современных предприятий

Подробнее

КОДИРОВАНИЕ ТРАЕКТОРИЙ ЧАСТИЦЫ В ДИСКРЕТНОМ ДВУМЕРНОМ ПРОСТРАНСТВЕ ПРИ РАЗНЫХ СПОСОБАХ ЕГО ПОКРЫТИЯ

КОДИРОВАНИЕ ТРАЕКТОРИЙ ЧАСТИЦЫ В ДИСКРЕТНОМ ДВУМЕРНОМ ПРОСТРАНСТВЕ ПРИ РАЗНЫХ СПОСОБАХ ЕГО ПОКРЫТИЯ МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» 1/016 ISSN 410-700Х Результаты настоящей работы [4] могут найти применение при решении важных прикладных задач, связанных с численным моделированием турбулентных

Подробнее

НЕЙРОННЫЕ СЕТИ В ОБУЧЕНИИ

НЕЙРОННЫЕ СЕТИ В ОБУЧЕНИИ НЕЙРОННЫЕ СЕТИ В ОБУЧЕНИИ Г.З. Очирова Современное образование на протяжении многих лет оставалось неизменным на фоне стремительных изменений в других сферах деятельности современного общества, можно сказать,

Подробнее

КЛАССИФИКАЦИЯ ФИЛИАЛОВ МНОГОФИЛИАЛЬНОГО КОММЕРЧЕСКОГО БАНКА С ПРЕМИНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ

КЛАССИФИКАЦИЯ ФИЛИАЛОВ МНОГОФИЛИАЛЬНОГО КОММЕРЧЕСКОГО БАНКА С ПРЕМИНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ Давид Саакян, кандидат физмат наук, Российско-Армянский (Славянский) Государственный Университет Доцент кафедры Экономики и финансов КЛАССИФИКАЦИЯ ФИЛИАЛОВ МНОГОФИЛИАЛЬНОГО КОММЕРЧЕСКОГО БАНКА С ПРЕМИНЕНИЕМ

Подробнее

Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ

Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ I. Организационно-методический раздел. Курс реализуется в рамках специальности 220400 «Программное обеспечение вычислительной техники и

Подробнее

ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ВРЕМЕННОГО РЯДА АТМОСФЕРНЫХ ТЕМПЕРАТУР НА ОСНОВЕ ИЕРАРХИЧЕСКИХ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ

ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ВРЕМЕННОГО РЯДА АТМОСФЕРНЫХ ТЕМПЕРАТУР НА ОСНОВЕ ИЕРАРХИЧЕСКИХ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ УДК 004.942 ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ВРЕМЕННОГО РЯДА АТМОСФЕРНЫХ ТЕМПЕРАТУР НА ОСНОВЕ ИЕРАРХИЧЕСКИХ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ Е. А. Сирота, М. Г. Матвеев Воронежский государственный университет Поступила

Подробнее

базисы в то эти базисы называются гомотетичными. Отношение гомотетичности базисов будем обозначать

базисы в то эти базисы называются гомотетичными. Отношение гомотетичности базисов будем обозначать Лекция 2 Тема: Понятие проективного репера и проективных координат точки Построение точки по ее координатам на модели проективной прямой и плоскости Преобразование проективных координат План лекции 1 Понятие

Подробнее

Нейронные сети. Сергей Сполан 2010 год. Сергей Сполан

Нейронные сети. Сергей Сполан 2010 год. Сергей Сполан Нейронные сети Сергей Сполан 2010 год Введение Идея создания искусственного интеллекта возникла давно. Нейронные сети, экспертные системы, computer vson и т.д. различные составляющие науки об ИИ. Главная

Подробнее

ВЕРОЯТНОСТНАЯ МОДЕЛЬ РАСПРЕДЕЛЕНИЯ ДЛИНЫ СЛОВ В АНГЛИЙСКОМ ЯЗЫКЕ

ВЕРОЯТНОСТНАЯ МОДЕЛЬ РАСПРЕДЕЛЕНИЯ ДЛИНЫ СЛОВ В АНГЛИЙСКОМ ЯЗЫКЕ УДК 519.22 ВЕРОЯТНОСТНАЯ МОДЕЛЬ РАСПРЕДЕЛЕНИЯ ДЛИНЫ СЛОВ В АНГЛИЙСКОМ ЯЗЫКЕ И.А. Палий, доцент Сибирская государственная автомобильно-дорожная академия (СибАДИ) (Омск), Россия Аннотация. Исследуется внутренняя

Подробнее

УДК Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия

УДК Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия УДК 5.62 Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия СИСТЕМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ МНОГОМЕРНЫХ НЕЧЁТКИХ ЛИНГВИСТИЧЕСКИХ ДАННЫХ НА ОСНОВЕ КЛАСТЕРИЗАЦИИ ОБРАЗОВ В статье рассматривается вопрос синтеза оригинальной

Подробнее

КОМПЬЮТЕРНЫЕ НАУКИ КЛАСТЕР-АНАЛИЗ С ИСПОЛЬЗОВАНИЕМ ДЕРЕВЬЕВ РЕШЕНИЙ

КОМПЬЮТЕРНЫЕ НАУКИ КЛАСТЕР-АНАЛИЗ С ИСПОЛЬЗОВАНИЕМ ДЕРЕВЬЕВ РЕШЕНИЙ КОМПЬЮТЕРНЫЕ НАУКИ УДК 004.93 КЛАСТЕР-АНАЛИЗ С ИСПОЛЬЗОВАНИЕМ ДЕРЕВЬЕВ РЕШЕНИЙ ГОФМАН Е.А. ОЛЕЙНИК А.А. СУББОТИН С.А. Рассматривается решение задачи кластерного анализа с использованием деревьев решений.

Подробнее

Томографический метод определения местоположений и мощностей источников

Томографический метод определения местоположений и мощностей источников «Труды МАИ». Выпуск 8 УДК 6.396.96.mai.ru/cience/rud/ Томографический метод определения местоположений и мощностей источников Самойленко М.В. Московский авиационный институт (национальный исследовательский

Подробнее

Материалы Международной научно-технической конференции, 1 5 декабря 2014 г.

Материалы Международной научно-технической конференции, 1 5 декабря 2014 г. Материалы Международной научно-технической конференции, 1 5 декабря 214 г. МОСКВА INTERMATIC 2 1 4, часть 5 МИРЭА НЕЙРОННЫЕ МЕХАНИЗМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ САМООРГАНИЗАЦИИ БЕСПРОВОДНОЙ СЕНСОРНОЙ

Подробнее

РАЗРАБОТКА ИС ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА БИРЖЕ FOREX DEVELOPMENT OF INFORMATION SYSTEM OF DECISION SUPPORT FOR FOREX EXCHANGE

РАЗРАБОТКА ИС ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА БИРЖЕ FOREX DEVELOPMENT OF INFORMATION SYSTEM OF DECISION SUPPORT FOR FOREX EXCHANGE Тищенко Александр Сергеевич студент группы ИС-05 Научный руководитель: Степанян Иван Викторович доц., к.т.н. Московский государственный горный университет РАЗРАБОТКА ИС ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА БИРЖЕ

Подробнее

Управление, вычислительная техника и информатика

Управление, вычислительная техника и информатика Управление, вычислительная техника и информатика УДК 004.032.26:612.825 ОДНОРОДНАЯ МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ ПРЯМОГО РАСПРОСТРАНЕНИЯ С ЛОКАЛЬНЫМИ СВЯЗЯМИ С УСЛОВНО-РЕФЛЕКТОРНЫМ МЕХАНИЗМОМ ОБУЧЕНИЯ НА

Подробнее

Повышение качества данных с использованием методики поиска аномалий на примере Портала открытых данных правительства

Повышение качества данных с использованием методики поиска аномалий на примере Портала открытых данных правительства Повышение качества данных с использованием методики поиска аномалий на примере Портала открытых данных правительства Москвы # 08, август 2014 Кузовлев В. И., Орлов А. О. УДК: 004.052.42 Россия, МГТУ им.

Подробнее

Реализация алгоритма построения статистической модели объекта по методу Брандона. Постановка задачи

Реализация алгоритма построения статистической модели объекта по методу Брандона. Постановка задачи Голубев ВО Литвинова ТЕ Реализация алгоритма построения статистической модели объекта по методу Брандона Постановка задачи Статистические модели создают на основании имеющихся экспериментальных данных

Подробнее

паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий.

паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий. паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий. Литература 1. Каляев И.А. Модели и алгоритмы коллективного

Подробнее

Санкт-Петербургский государственный политехнический университет. Институт Прикладной математики и механики Кафедра Теоретической механики

Санкт-Петербургский государственный политехнический университет. Институт Прикладной математики и механики Кафедра Теоретической механики Санкт-Петербургский государственный политехнический университет Институт Прикладной математики и механики Кафедра Теоретической механики П. А. Поцелуев РЕАЛИЗАЦИЯ ИГРОВОГО ИИ ДЛЯ АЭРОХОККЕЯ С ПОМОЩЬЮ НЕЙРОННЫХ

Подробнее

Математические модели в экономике.

Математические модели в экономике. Математические модели в экономике. Кольцов С.Н 2014 www.linis.ru Виды моделей Математические модели экономических систем строятся для достижения одной из двух целей: 1. Теоретические модели предназначаются

Подробнее

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ УДК 004.032.26(063) ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ Е. М. Будкина Рассматривается применение функции сигмоидного типа в качестве функции

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ ЛАБОРАТОРНАЯ РАБОТА МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ Многослойный персептрон В многослойном персептроне нейроны расположены в несколько слоев Нейроны первого слоя получают входные сигналы преобразуют их

Подробнее

Применение фильтра Калмана для обработки последовательности GPS-координат

Применение фильтра Калмана для обработки последовательности GPS-координат # 09, сентябрь 2015 УДК 004.021 Применение фильтра Калмана для обработки последовательности GPS-координат Листеренко Р.Р., бакалавр Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное

Подробнее

Data Mining [K.04] Сертификационная программа (АРХИВ)

Data Mining [K.04] Сертификационная программа (АРХИВ) Data Mining [K.04] Сертификационная программа (АРХИВ) BaseGroup Labs 2007-2013 Аннотация программы Сертификационная программа Data Mining действовала с июня 2008 по июнь 2013 года и представляла собой

Подробнее

КОРРЕКЦИЯ КЛАССИФИЦИРОВАННЫХ ОШИБОК ЦИКЛИЧЕСКИМИ КОДАМИ

КОРРЕКЦИЯ КЛАССИФИЦИРОВАННЫХ ОШИБОК ЦИКЛИЧЕСКИМИ КОДАМИ Д ОКЛАДЫ БГУИР 2007 АПРЕЛЬ ИЮНЬ 2 (18) УДК 621.391.(075.8) КОРРЕКЦИЯ КЛАССИФИЦИРОВАННЫХ ОШИБОК ЦИКЛИЧЕСКИМИ КОДАМИ А.В. ШКИЛЁНОК, В.К. КОНОПЕЛЬКО Белорусский государственный университет информатики и радиоэлектроники

Подробнее

ОБРАБОТКА ИНФОРМАЦИИ

ОБРАБОТКА ИНФОРМАЦИИ СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. 008. (5) 35 40 УДК 519.4 ОБРАБОТКА ИНФОРМАЦИИ ОПРЕДЕЛЕНИЕ ПАРАМЕТРОВ АЛГОРИТМА ОПОРНЫХ ВЕКТОРОВ ПРИ РЕШЕНИИ ЗАДАЧИ ПОСТРОЕНИЯ РЕГРЕССИИ А.А. ПОПОВ, А.С. САУТИН Сравниваются

Подробнее

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ УДК 004.8 СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ Л.Г. Комарцова (lkomartsova@yandex.ru) Д.С. Кадников (dskadnkov@yandex.ru) МГТУ им. Н.Э. Баумана (Калужский филиал), Калуга

Подробнее

Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона

Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона 98 УДК 59.8 А.В. Скороходов, А.В. Тунгусова Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона Приводится сравнительный анализ градиентных методов минимизации

Подробнее

Система управления качеством изготовления агрегатов ракетно-космической техники

Система управления качеством изготовления агрегатов ракетно-космической техники Электронный журнал «Труды МАИ». Выпуск 56 www.mai.ru/science/trudy/ УДК 629.7 Система управления качеством изготовления агрегатов ракетно-космической техники А.К. Недайвода, П.Г. Михайлов Аннотация: В

Подробнее

Министерство образования и науки РФ Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева РАБОЧАЯ ПРОГРАММА

Министерство образования и науки РФ Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева РАБОЧАЯ ПРОГРАММА Министерство образования и науки РФ Рыбинская государственная авиационная технологическая академия имени П.А. Соловьева РАБОЧАЯ ПРОГРАММА «УТВЕРЖДАЮ» Декан факультета ФРЭИ А.И.ДВОРСОН Системы распознавания

Подробнее

УДК ОБ ИССЛЕДОВАНИИ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ ПОСТРОЕНИЯ МАРКОВСКИХ МОДЕЛЕЙ ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРОВ

УДК ОБ ИССЛЕДОВАНИИ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ ПОСТРОЕНИЯ МАРКОВСКИХ МОДЕЛЕЙ ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРОВ УДК 004.75 ОБ ИССЛЕДОВАНИИ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ ПОСТРОЕНИЯ МАРКОВСКИХ МОДЕЛЕЙ ВЫЧИСЛИТЕЛЬНЫХ КЛАСТЕРОВ Михайлова Т.В., Абдулина О.Р. Донецкий национальный технический университет Кафедра прикладной

Подробнее

ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ

ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ Чуклин В.В., группа ИУС-06м Руководитель доц. Телятников А.О. Введение Важным этапом в решении задачи нейросетевого прогнозирования

Подробнее

Исследование и разработка эвристических механизмов обнаружения вредоносных программ

Исследование и разработка эвристических механизмов обнаружения вредоносных программ СПИИРАН Исследование и разработка эвристических механизмов обнаружения вредоносных программ Докладчик: к.т.н. Мацкевич Андрей Георгиевич, 2016 Вредоносная программа программа, предназначенная для осуществления

Подробнее