Классификация сейсмических сигналов на основе нейросетевых технологий (стр. 1 из 13)
МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ
Кафедра МОСОИиУ ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
К ДИПЛОМНОМУ ПРОЕКТУ
На тему: _Классификация сейсмических сигналов на основе нейросетевых технологий.________________________________________________________
Студент
Руководитель проекта:
Допущен к защите____________________200___г.
КОНСУЛЬТАНТЫ ПРОЕКТА:
Специальная часть
Конструкторско-технологическая часть
Экономическая часть
Техника безопасности
Зав. кафедрой________________________
МОСКВА
Аннотация.
В данном дипломе рассматривается задача классификации сейсмических сигналов по типу источника, т.е. определение по записанной сейсмограмме землетрясений или взрывов. Основная цель диплома состоит в исследовании возможности применения аппарата нейронных сетей для решения поставленной задачи, и сравнение эффективности такого решения со стандартными аналитическими методами.
Оглавление.
Аннотация 2
Введение 5
1. Основные положения теории нейронных сетей 7
2. Постановка задачи классификации сейсмических сигналов 16
3. Статистическая методика решения задачи классификации 18
3.1 Выделение информационных признаков из сейсмограмм 18
3.2 Отбор наиболее информативных признаков для идентификации 19
3.3 Процедуры статистической идентификации 21
3.4 Оценка вероятности ошибочной классификации методом скользящего экзамена 22
4. Обзор различных архитектур нейронных сетей , предназначенных для задач классификации 23
4.1 Нейрон-классификатор 23
4.2 Многослойный персептрон 25
4.3 Сети Ворда 27
4.4 Сети Кохонена 27
4.5 Выводы по разделу 37
5. Методы предварительной обработки данных 31
5.1 Максимизация энтропии как цель предобработки 31
5.2 Нормировка данных 32
5.3 Понижение размерности входных данных 34
5.3.1 Отбор наиболее информативных признаков 34
5.3.2 Сжатие информации. Анализ главных компонент 35
5.4 Выводы .по разделу 37
6. Реализация нейросетевой модели и исследование ее технических характеристик 38
6.1 Структура нейросети 38
6.2 Исходные данные 40
6.3 Определение критерия качества системы и функционала его оптимизации 41
6.4 Выбор начальных весовых коэффициентов 41
6.5 Алгоритм обучения и методы его оптимизации 42
6.6 Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели 48
7. Программная реализация 49
7.1 Функциональные возможности программы 50
7.2 Общие сведения 51
7.3 Описание входного файла с исходными данными 52
7.4 Описание файла настроек 52
7.5 Алгоритм работы программы 57
7.6 Эксплуатация программного продукта 58
7.7 Результат работы программы 58
8. Заключение 61
Список литературы 63
Приложение 64
1. Пример выборки сейсмограмм 64
2. Пример файла с векторами признаков 65
3. Файл с настройками программы 66
4. Пример файла отчета 67
5. Файл описания функций, типов переменных и используемых библиотек “nvclass.h” 68
6. Файл автоматической компиляции программы под ОС Unix -“Makefile” 73
7. Основной модуль - “nvclass.с” 74
Введение.
Применение аппарата нейронных сетей для решения различных задач науки и техники обусловлено огромными потенциальными возможностями, этих технологий. Существуют задачи, решение которых просто невозможно аналитическими методами, а нейросети успешно с ними справляются. Даже в том случае, если можно найти решение при помощи уже изученных алгоритмов, нейронные сети порой позволяют сделать то же самое быстрее и более эффективно.
В данном дипломе рассматривается задача, возникающая при сейсмическом мониторинге, –классификация сейсмических сигналов по типу источника, т.е. определение по записанной сейсмограмме землетрясений или взрывов. Несмотря на то, что для ее решения, в настоящее время успешно применяются методы статистического анализа, продолжается поиск более эффективных алгоритмов, которые бы позволили проводить классификацию точнее и с меньшими затратами. В качестве таких методов предлагается использовать аппарат нейронных сетей.
Основная цель дипломной работы – исследовать возможность применения нейронных сетей для идентификации типа сейсмического сигнала, выяснить, насколько данное решение будет эффективным в сравнении с уже используемыми методами.
Первая глава посвящена описанию основных положений теории нейронных сетей, а также областям науки и техники, в которых эти технологии нашли широкое применение.
Последующие два раздела предназначены формализовать на математическом уровне задачу классификации сейсмических сигналов и способе ее решения на основе статистических методов.
Обзор различных архитектур нейронных сетей, предназначенных для решения задачи классификации, их основные положения, достоинства и недостатки, а также методы предварительной подготовки данных приведены в разделах 4 и 5.
В шестой разделе говорится непосредственно о нейросетевом решении рассматриваемой задачи, построенном на основе известной, и часто используемой парадигмы – многослойного персептрона, детально обсуждаются основные алгоритмы обучения, выбора начальных весовых коэффициентов и методы оценки эффективности выбранной модели нейронной сети.
В разделе “Программная реализация ” описывается специально разработанная программа, реализующая основные идеи нейросетевого программирования и адаптированная для решения поставленной задачи. Также в этом разделе представлены результаты экспериментов по обработке сейсмических сигналов, проведенных на базе созданной программы.
И в заключении изложены основные выводы и рекомендации по направлению дальнейших исследований в применении нейронных сетей для решения задачи классификации сейсмических сигналов.
1. Основные положения теории нейронных сетей.
Для того, чтобы обсуждать возможности нейросетевых технологий необходимо хотя бы немного иметь представление об элементарных понятиях, о том, что же такое нейрон, нейронная сеть, из чего она состоит и какие процессы в ней происходят.
В нейроинформатике для описания алгоритмов и устройств выработана специальная «схемотехника», в которой элементарные устройства – сумматоры, синапсы, нейроны и т.п. объединяются в сети, предназначенные для решения задач. Это своего рода особенный язык для представления нейронных сетей и их обсуждения. При программной и аппаратной реализации на этом языке описания переводятся на языки другого уровня, более пригодные для реализации.
Элементы нейронных сетей.
Самыми простыми, базовыми элементами нейросетей являются:
· Адаптивный сумматор. Элемент вычисляющий скалярное произведение вектора входного сигнала х на вектор параметров w;
· Нелинейный преобразователь сигнала f преобразующий скалярный сигнал x в f(x);
· Формальный нейрон. (рис.1.1). Он состоит из элементов трех типов. Элементы нейрона - умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи, - вес синапса. Сумматор выполняет сложение сигналов, поступающих по синоптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется "функция активации" или "передаточная функция" нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента.
 |
Математическая модель нейрона:
(1) 
(2)где
wi - вес синапса (weight), (i=0,1,2...p);
w0 - значение смещения (bias);
s - результат суммирования (sum);
xi - компонента входного вектора (входной сигнал), (i=1,2,...p);
y - выходной сигнал нейрона;
p- число входов нейрона;
f - нелинейное преобразование (функция активации).
В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход (y) определяется видом функции активации и может быть как действительным, так и целым. Во многих практических задачах входы, веса и смещения могут принимать лишь некоторые фиксированные значения.
Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими.
Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(x). Получив набор чисел (вектор) xkв качестве входов, нейрон выдает некоторое число y на выходе.
Эта модель была предложена Маккалоком и Питтсом еще в 1943 г. При этом использовались пороговые передаточные функции (рис. 2a), и правила формирования выходного сигнала y выглядели особенно просто:
(3)В 1960 г. на основе таких нейронов Розенблатт построил первый в мире автомат для распознавания изображений букв, который был назван “перcептрон” (perception — восприятие). Этот автомат имел очень простую однослойную структуру и мог решать только относительно простые (линейные) задачи. С тех пор были изучены и более сложные системы из нейронов, использующие в качестве передаточных сложные непрерывные функции. Одна из наиболее часто используемых передаточных функций называется сигмоидной (или логистической) (рис. 2б) и задается формулой