Стуктурний синтез гібридних ансамблів нейронних мереж

Автор(и)

  • V. M. Sineglazov Національний авіаційний університет, Київ
  • O. I. Chumachenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • O. R. Bedukha Національний авіаційний університет, Київ

DOI:

https://doi.org/10.18372/1990-5548.57.13242

Ключові слова:

Гібридні ансамблі нейронних мереж, класифікатор, бутстреп навчальної вибірки

Анотація

Розглянуто структурний синтез ансамблів гібридних нейронних мереж. У якості топології ансамблю вибрана паралельна структура з шаром об'єднання. Розроблений гібридний алгоритм розв’язання задачі включає алгоритми попереднього вибору класифікаторів (модулів нейронних мереж – гібридні нейронні мережі, які складаються з нейронних мереж Кохонена, базової і двонаправленої асоціативної пам’яті), створення бутстреп навчальних вибірок для кожного класифікатора, навчання цих класифікаторів, оптимальний вибір необхідних класифікаторів, визначення вагових коефіцієнтів шару об'єднання, спрощення ансамблю. Для вирішення завдання оптимального вибору класифікаторів використовуються два критерії: точність і різноманітність.

Біографії авторів

V. M. Sineglazov, Національний авіаційний університет, Київ

Кафедра авіаційних комп’ютерно-інтегрованих комплексів, Навчально-науковий інститут інформаційно-діагностичних систем

Доктор технічних наук. Професор. Зав. кафедри

O. I. Chumachenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Кандидат технічних наук. Доцент

O. R. Bedukha, Національний авіаційний університет, Київ

Кафедра авіаційних комп’ютерно-інтегрованих комплексів, Навчально-науковий інститут інформаційно-діагностичних систем

Магістр

Посилання

I. Partalas, G. Tsoumakas, and I. Vlahavas, “Focused ensemble selection: A diversity-based method for greedy ensemble selection,” іn Proceeding of the 18th European Conference on Artificial Intelligence, 2008, pp. 117–121.

Y. Zhang, S. Burer, and W. N. Street, “Ensemble pruning via semi-definite programming,” The Journal of Machine Learning Research. pp. 1315–1338, 2006.

Lu. Zhenyu, Wu Xindong, Zhu Xingquan, and Josh Bongard, “Ensamble Pruning via Individual Contribution Ordering,” Department of Computer Science University of Vermont, Burlington. NSW. 2007, pp. 635–745.

Gonzalo Martґınez-Muñoz, and Alberto Suárez, “Aggregation Ordering in Bagging,” in Proc. of the IASTED International Conference on Artificial Intelligence and Applications. Acta Press, 2004, pp. 258–263.

G. Martıґnez-Muñoz and A. Suárez, “Pruning in ordered bagging ensembles,” in Proc. of the 23rd International Conference on Machine Learning, 2006, pp. 609–616.

Anne M. P. Canuto, Marjory C. C. Abreu, Lucas de Melo Oliveira, João C. Xavier Jr., and Araken de M. Santos, “Investigating the influence of the choice of the ensemble members in accuracy and diversity of selection-based and fusion-based methods for ensembles,” Pattern Recognition Letters, 28, 2007, pp. 472–486.

##submission.downloads##

Номер

Том 3 № 57 (2018)

Розділ

АВТОМАТИЗОВАНІ СИСТЕМИ ПРОЕКТУВАННЯ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).