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.
Моисеев Александр Александрович
кандидат технических наук
ГосНИИ химмотологии РФ
Москва, Российская Федерация
