Классификация сейсмических сигналов на основе нейросетевых технологий

Классификация сейсмических сигналов на основе нейросетевых технологий 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 Введение 1. Основные положения теории нейронных сетей 2. Постановка задачи классификации сейсмических сигналов 3. Статистическая методика решения задачи классификации 1. Выделение информационных признаков из сейсмограмм 2. Отбор наиболее информативных признаков для идентификации 3.3. Процедуры статистической идентификации 4. Оценка вероятности ошибочной классификации методом скользящего экзамена 4. Обзор различных архитектур нейронных сетей, предназначенных для задач классификации 1. Нейрон-классификатор 2. Многослойный персептрон 3. Сети Ворда 4. Сети Кохонена 5. Выводы по разделу 5. Методы предварительной обработки данных 1. Максимизация энтропии как цель предобработки 5.2. Нормировка данных 3. Понижение размерности входных данных 1. Отбор наиболее информативных признаков 2. Сжатие информации. Анализ главных компонент 4. Выводы по разделу 6. Реализация нейросетевой модели и исследование ее технических характеристик 1. Структура нейросети 2. Исходные данные 3. Определение критерия качества системы и функционала его оптимизации 4. Выбор начальных весовых коэффициентов 5. Алгоритм обучения и методы его оптимизации 6. Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели 7. Программная реализация 1. Функциональные возможности программы 2. Общие сведения 3. Описание входного файла с исходными данными 4. Описание файла настроек 7.5. Алгоритм работы программы 6. Эксплуатация программного продукта 7. Результат работы программы 8. Заключение Список литературы Приложение 1. Пример выборки сейсмограмм 2. Пример файла с векторами признаков 3. Файл с настройками программы 4. Пример файла отчета 5. Файл описания функций, типов переменных и используемых библиотек nvclass. h 6. Файл автоматической компиляции программы под ОС Unix - Makefile 7. Основной модуль - nvclass. с 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 шестом 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.

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

Обучение нейросети Обучить нейросеть - значит, сообщить ей, чего мы от... Очевидно, что ответ сети зависит как от входного сигнала, так и от зна... Такая сеть может не только мгновенно выучить таблицу умножения, но и н... . Например, таким образом можно быстро выявить фальсифицированные страхо...

Постановка задачи классификации сейсмических сигналов

Постановка задачи классификации сейсмических сигналов. Дальнейшая обработка этой информации позволяет оценить различные физич... 2.1 представлена схема постановки задачи. Для решения этой задачи в на... Все существующие методы идентификации используют эту базу данных в кач... определить такую функцию f, что при f x 0 вектор x относился бы к перв...

Статистическая методика решения задачи классификации

Статистическая методика решения задачи классификации В данном разделе рассматривается методика определения типов сейсмических событий, основанная на выделении дискриминантных признаков из сейсмограмм и последующей классификации векторов признаков с помощью статистических решающих правил. 8 3.1

Выделение информационных признаков из сейсмограмм

В частности, можно легко найти максимальную амплитуду колебания сигнал... Определив данный параметр для частоты f 1 допустим для P волны, а такж... 3.2 . Для выделенных данных последовательно применяется такие процедуры как ... Выделение информационных признаков из сейсмограмм.

Отбор наиболее информативных признаков для идентификации

Первые k-1 компонент этих векторов есть информативные признаки, отобра... 3.4 . Квадратичная дискриминационная функция описывается следующей формулой ... Функция D k, получаемая в результате процедуры ранжирования признаков,... Описанная процедура ранжирует порядок следования признаков в обучающих...

Оценка вероятности ошибочной классификации методом скользящего экзамена

Так, если входные вектора могут принадлежать одному из двух классов, м... Для решения более сложных классификационных задач необходимо усложнить... Исключенный вектор затем классифицируется с помощью дискриминатора, об... Процедура повторяется для всех n l n 2 обучающих векторов. Вычисляемая в результате величина p 0 n 12 n 21 n l n 2 является состо...

Нейрон-классификатор

1-5,7,10 где функция ошибки Многочисленные модификации, разработанные ... 4.4 . 4.2 . Найти нейрон - победитель, т.е. 5.

Методы предварительной обработки данных

Если возникает необходимость использовать нейросетевые методы для реше... В этой главе рассматриваются различные процедуры нормировки и методы п... 5.1 . Методы предварительной обработки данных. На практике же именно этап предобработки может стать наиболее трудоемк...

Максимизация энтропии как цель предобработки

Единственным источником информации для статистического моделирования я... Если эти значения сосредоточены в относительно небольшой области едини... Однако чаще всего это не приводит к ожидаемым результатам, а к тому же... Они представляют собой самостоятельную нейросетевую структуру, которую... Учитывая то, что в такой структуре веса с одинаковыми индексами в обои...

Реализация нейросетевой модели и исследование ее технических характеристик

6.1 Структура нейронной сети Итак, для решения задачи идентификации ти... Оптимальное количество нейронов на скрытом слое H подбиралось эксперим... z j - значение выхода j-го нейрона скрытого слоя z 0 є 1, j 1 H y - зн... Это преобразование состоит в следующем где x i - исходное значение век... Такие преобразования приводят к большей кластеризации точек в многомер...

Определение критерия качества системы и функционала его оптимизации

Определение критерия качества системы и функционала его оптимизации Если через обозначить желаемый выход сети указание учителя, то ошибка системы для заданного входного сигнала рассогласование реального и желаемого выходного сигнала можно записать в следующем виде, где k - номер обучающей пары в обучающей выборке, k 1,2 n 1 n 2 n 1 - количество векторов первого класса n 2 - число векторов второго класса.

В качестве функционала оптимизации будем использовать критерий минимума среднеквадратической функции ошибки 6.4

Выбор начальных весовых коэффициентов

Присваивать весам случайные величины, заданные не равномерным распреде... x i Н R 0,1 . Для искомых параметров a и s величина, полученная по формуле будет при... 2. Вычисляется норма Далее веса преобразуются в соответствии с правилом С...

Алгоритм обучения и методы его оптимизации

Приступая к обучению выбранной нейросетевой модели, необходимо было ре... 3. Тем более нельзя ограничиваться одним примером при оценке производимых... По мере того, как сеть обучается, ошибка обучения, естественно, убывае... Для проверки этого условия проводились дополнительные эксперименты, по...

Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели

Из исходных данных необходимо сформировать как минимум две выборки - о... По завершению алгоритма общая вероятность ошибки P подсчитывается след... Программная реализация. Именно такие требования и были выдвинуты на начальном этапе исследован... Следует отметить, что базовый алгоритм программы был выполнен под сист...

Функциональные возможности программы

7.2 . В программе nvclass предусмотрены следующие режимы функционирования Вн... по умолчанию для заданной размерности входных данных выбирается опреде... Функциональные возможности программы. В программе nvclass. Из них можно выделить следующие Различные процедуры начальной инициали...

Общие сведения

txt. Программный пакет предназначенный для идентификации типа сейсмического... 7.3 . h Файл с настройками режима работы программы nvclass. Файл автоматической компиляции Makefile Только для версии под Unix.

Описание входного файла с исходными данными

7.4 . Пример файла приведен в приложении 2. Все числовые параметры разделяются пробелами и записываются в кодах AS... Количество столбцов равно количеству признаков плюс два. Файл должен иметь форму числовой матрицы. Каждая строка матрицы соотве...

Описание файла настроек

NPATTERN - Количество векторов признаков 3. При No - вектора будут подаваться на вход сети в той последовательност... Этот параметр служит для использования в рамках программы nvclass проц... Возможные значения параметра Yes , No. LearnToleranse ТОЧНОСТЬ ОБУЧЕНИЯ.

Эксплуатация программного продукта

Эксплуатация программного продукта. Перед тем, как приступить к эксплу... Для корректной работы в дальнейшем желательно придерживаться определен... Подготовить исходные данные согласно принятом формату. Изменить в соответствии с требованиями определенные поля в файле настр... Запустить программу.

Результат работы программы

Уоссермен Ф. Горбань А. 1998. Bishop C. 9.

Пример выборки сейсмограмм

Пример выборки сейсмограмм.

В левом столбце представлены сейсмограммы, описывающие взрывы, а в правом - землетрясения.

Пример файла с векторами признаков

txt, содержащего 9 размерные вектора признаков. NumOfPattern 86 PatternDimens 9 1 -14.3104 -13.2561 -13.4705 -13.4306 ... Пример файла с векторами признаков. Представлена выборка из файла 9 No...

Файл с настройками программы

Файл с настройками программы. TYPE 2 2 NDATA 9 NPATTERN 86 PatternFile 9 Norv. net ResNetFname 9. txt Debug Yes Next parameters was define in result experiments and if ... NetStructure must be NDATA, NUNIT1,1 NOUT 1 always value AUTO - NetStr...

Пример файла отчета

Пример файла отчета. NVCLASS report - Wed Jun 02 15 58 02 1999 Type 1 ... с Neuron Classificator ver 1.0 include common. NO Target fscanf DataFile, s s, str, str1 if strcmp str, buf1 0 TmpNp ... A j tmp if Flag tmp -1 else fscanf DataFile, f , tmp Ptr. ID for i 0 i NDATA i dest.