ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ СЕВЕРО-КАВКАЗСКИЙ РЕГИОН. 2017; 1: 37-42
http://dx.doi.org/10.17213/0321-2653-2017-1-37-42
ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВОССТАНОВЛЕНИЯ ПРОПУСКОВ В МАССИВЕ ИСХОДНЫХ ДАННЫХ
Сташкова Ольга Витальевна – аспирант, Брянский государственный технический университет, г. Брянск, Россия. E-mail: stashkova.ola@mail.ru
Шестопал Оксана Викторовна – аспирант, Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия. E-mail: oksanashes@gmail.com
Аннотация
Рассматривается подход к решению проблемы преобразования таблицы с неполными исходными данными или содержащей значения, не соответствующие ожидаемому результату измерений, в репрезентативную выборку. Проанализированы существующие методы восстановления пропусков, представлен алгоритм восстановления пропусков в исходной таблице данных с использованием искусственной нейронной сети GRNN, а также результаты работы алгоритма на тестовых и эмпирических данных. Проведены расчеты относительной погрешности для различных типов данных с различным процентным содержанием пропусков.
Ключевые слова: восстановление пропусков; искусственные нейронные сети; пассивный эксперимент; массив исходных данных; погрешность; MathLab.
Полный текст: [in elibrary.ru]
Ссылки на литературу
1. Абраменкова И.В., Круглов В.В. Методы восстановления пропусков в массивах данных // Программные продукты и системы. 2005. № 2. С. 18 – 22.
2. Ефимов А.С. Решение задачи кластеризации методом конкретного обучения при неполных статистических данных // Вестн. Нижегородского университета им. Н.И. Лобачевского. 2010. № 1. С. 220 – 225.
3. Снитюк В.Е. Эволюционный метод восстановления пропусков в данных // Сб. тр. VI Междунар. конф. «Интел-лектуальный анализ информации». Киев, 2006. С. 262 – 271.
4. Мартышенко С.Н. Методы восстановления пропусков в данных, представленных в различных измерительных шкалах // Территория новых возможностей. 2013. № 4 (22) С. 242 – 255.
5. Neural Network Software, About NeuroSolutions. URL: http:// www.neuroproject.ru/aboutproduct.php (дата обращения: 19.04.2016).
6. Hornik K., Stinchcombe M., White H. Multilayer feed-forward networks are universal approximators // Neural Network. 1989. Vol. 2. P. 366.
7. Хайкин С. Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. 2-е изд. М.: Вильямс, 2006.
8. Stohastic check for control of electronic wares quality // Trans. of 10-th International Symposium on Applied stochastic Models and Data Analysis. Univ. de Techn. de Compiegne, France. June 12-15. 2001. Vol. 1. P. 387 – 390.
9. Шестопал О.В. Обработка первичных пассивных данных по технологическому процессу выплавки низкоуглеродистой стали // Математическое моделирование в образовании, науке и производстве: материалы VII междунар. конф. Тирасполь: Изд-во Приднестр. ун-та, 2011. С. 50 – 51.
10. Метрология, стандартизация и сертификация. URL: http://studme.org/11211219/tovarovedenie/grubye_pogreshnosti_promahi (дата обращения: 19.12.2016).