Участник:Задаянчук Андрей
Материал из MachineLearning.
(Новая: '''МФТИ, ФУПМ''' Кафедра '''"Интеллектуальные системы"''' Направление '''"Интеллектуальный анализ данных"''...) |
|||
| Строка 16: | Строка 16: | ||
''Решается задача построения модели для точной и устойчивой классификации физической активности человека по временным рядам. Нейронные сети с недостаточным или избыточным числом нейронов обладают недостаточной обобщающей способностью и могут давать прогнозы неустойчивые относительно изменения состава выборки. Исследуются модели из класса двухслойных нейронных сетей. Рассматриваются модели с избыточно сложной структурой. Структура модели оптимизируется путем удаления из нее наборов параметров — нейронов. Для оптимизации структуры нейронной сети и обеспечения устойчивости предлагается алгоритм генетического типа. Новизна работы заключается в том, что вероятность удаления наборов параметров определяется дисперсией параметров. В вычислительном эксперименте модели, порождаемые предложенной стратегией, сравниваются по двум критериям качества — точности и устойчивости. Модели оптимизируются на выборках, полученных путем выделения признаков из временных рядов.'' | ''Решается задача построения модели для точной и устойчивой классификации физической активности человека по временным рядам. Нейронные сети с недостаточным или избыточным числом нейронов обладают недостаточной обобщающей способностью и могут давать прогнозы неустойчивые относительно изменения состава выборки. Исследуются модели из класса двухслойных нейронных сетей. Рассматриваются модели с избыточно сложной структурой. Структура модели оптимизируется путем удаления из нее наборов параметров — нейронов. Для оптимизации структуры нейронной сети и обеспечения устойчивости предлагается алгоритм генетического типа. Новизна работы заключается в том, что вероятность удаления наборов параметров определяется дисперсией параметров. В вычислительном эксперименте модели, порождаемые предложенной стратегией, сравниваются по двум критериям качества — точности и устойчивости. Модели оптимизируются на выборках, полученных путем выделения признаков из временных рядов.'' | ||
| + | |||
'''Публикация''' | '''Публикация''' | ||
| + | |||
''А.И. Задаянчук, М.В. Попова, В.В.Стрижов'' Выбор оптимальной модели классификации физической активности по измерениям акселерометра // ''Информационные технологии.'' | ''А.И. Задаянчук, М.В. Попова, В.В.Стрижов'' Выбор оптимальной модели классификации физической активности по измерениям акселерометра // ''Информационные технологии.'' | ||
Версия 16:25, 19 августа 2015
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
wisemen94@gmail.com
Отчет о научно-исследовательской работе
Весна 2015, 6-й семестр
Выбор оптимальной модели классификации физической активности по измерениям акселерометра
Решается задача построения модели для точной и устойчивой классификации физической активности человека по временным рядам. Нейронные сети с недостаточным или избыточным числом нейронов обладают недостаточной обобщающей способностью и могут давать прогнозы неустойчивые относительно изменения состава выборки. Исследуются модели из класса двухслойных нейронных сетей. Рассматриваются модели с избыточно сложной структурой. Структура модели оптимизируется путем удаления из нее наборов параметров — нейронов. Для оптимизации структуры нейронной сети и обеспечения устойчивости предлагается алгоритм генетического типа. Новизна работы заключается в том, что вероятность удаления наборов параметров определяется дисперсией параметров. В вычислительном эксперименте модели, порождаемые предложенной стратегией, сравниваются по двум критериям качества — точности и устойчивости. Модели оптимизируются на выборках, полученных путем выделения признаков из временных рядов.
Публикация
А.И. Задаянчук, М.В. Попова, В.В.Стрижов Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информационные технологии.
