Details

Title Модель автокодера при интервальных и многозначных данных: выпускная квалификационная работа магистра: 09.04.04 - Программная инженерия ; 09.04.04_01 - Технология разработки и сопровождения качественного программного продукта
Creators Подольская Анна Владимировна
Scientific adviser Никифоров Игорь Валерьевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint Санкт-Петербург, 2018
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects Нейронные сети ; Программирования языки ; автокодеры
UDC 004.032.26 ; 004.438
Document type Master graduation qualification work
File type Other
Language Russian
Level of education Master
Speciality code (FGOS) 09.04.04
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
Links Отзыв руководителя ; Рецензия
DOI 10.18720/SPBPU/2/v18-5988
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key RU\SPSTU\edoc\58537
Record create date 11/30/2018

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

В работе рассматривается новая модель автокодера при интервальных или многозначных обучающих данных. Первая идея, лежащая в основе автокодера, базируется на преобразовании интервальной ошибки реконструкции (функции потерь), определенной на расширенном множестве точных обучающих данных. Обучающее множество интервальных данных расширяется, но каждый новый точечный элемент обучающего множества имеет неизвестную вероятность. Вторая идея – это робастная стратегия принятия решений, заключающаяся в том, что автокодер минимизирует верхнюю границу ожидаемых потерь на множестве параметров нейронной сети. В результате модель была реализована на языке python. Автокодер может использоваться для уменьшения размерности и точного робастного представления интервальных данных. Приведенные численные эксперименты на примере разработанной модели и рассмотренных существующих методов анализа интервальных данных иллюстрируют эффективность интервального автокодера.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous

Access count: 127 
Last 30 days: 0

Detailed usage statistics