МОДИФИКАЦИЯ НЕКОТОРЫХ ПРОЦЕДУР АВТОМАТИЧЕСКОГО АНАЛИЗА ДАННЫХ

Проведено рассмотрение алгоритмов автоматического анализа данных, которое показало, что они имеют сравнительно простую основу. Генетическая оптимизация была сведена к двухшаговой версии случайного поиска экстремума, шагами в которой является предварительное смешивание результатов первичного поиска, аналогичное скрещиванию, и вторичный случайный поиск в выделенной области, соответствующий мутации. Метод потенциальных функций позволил сравнительно просто реализовать автоматическую кластеризацию входной выборки без ограничений на ее характер. В предложенном алгоритме обучения перцептронного классификатора обработка в ассоциативном нейроне была реализована в виде усреднение сигналов от подключенных рецепторов с вычитанием постоянной величины. Дополнительное использование условия нормировки адаптивных коэффициентов делает ее малосущественной при использовании выбора максимума в качестве решающего правила. Методически несложно реализована процедура обучения алгоритма нечеткого управления, базирующаяся на выравнивании частот реализации управляющих воздействий при использовании эквидистантной выборки входных состояний.

1. Статистические методы для ЭВМ, п/ред. Энслейна К., Рэлстона Р., Уилфа Г., М., Наука, 1986, 464 с.

2. Рутковская Д., Пилиньский Р., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы, М., Телеком, 2006, 452 с.

3. Ротштейн А.П., Интеллектуальные технологии идентификации, Винница, Универсум, 1999, 320 с.

4. Айзерман М.А., Браверман Э.М., Розеноэр Л.И. Метод потенциальных функций в теории обучения машин, М., Наука, 1970, 384 с.

5. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения), М., Наука, 1974, 416 с.

6. Цыпкин Я.З. Адаптация и обучение в автоматических системах, М., Наука, 1968, 400 с.