Детальная информация

Название: Комбинирование искусственных нейронных сетей и генетического алгоритма в задаче классификации текстов по эмоциональности: выпускная квалификационная работа бакалавра: направление 02.03.03 «Математическое обеспечение и администрирование информационных систем» ; образовательная программа 02.03.03_01 «Информационные системы и базы данных»
Авторы: Жолондевская Виктория Александровна
Научный руководитель: Черкасова Танзиля Халитовна
Другие авторы: Пархоменко Владимир Андреевич; Пак Вадим Геннадьевич
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2020
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: комбинирование; генетический алгоритм; сверточная нейронная сеть; классификация; подбор гиперпараметра; combination; genetic algorithm; convolutional neural network; classification; selection of hyperparameter
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 02.03.03
Группа специальностей ФГОС: 020000 - Компьютерные и информационные науки
Ссылки: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-2165
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

В данной работе рассмотрены искусственные нейронные сети, использующиеся для классификации текстов, изложена сущность подходов к комбинированию и проведен анализ существующих реализаций комбинирования. Описаны основные операторы генетического алгоритма и его различия с традиционными методами оптимизации. Приведено описание архитектуры сверточной нейронной сети с подробной характеристикой каждого слоя, выделены основные гиперпараметры сети. Разработан прототип системы для решения задачи бинарной классификации текстов по их эмоциональной окраске, на базе сверточной нейронной сети. Представлено проведенное тестирование сети и выбор на его основе функции приспособленности генетического алгоритма. Реализован генетический алгоритм для предсказания количества фильтров сети необходимого для получения заданного или максимального процента распознаваемости при установленном ограничении на время работы и приведено тестирование сети с параметрами, полученными с его помощью. Результаты исследования могут быть востребованы в областях, связанных с анализом онлайн-контента.

This article considers artificial neural networks used for classifying texts, describes the essence of approaches to combining, and analyzes existing implementations of combining. The main operators of the genetic algorithm and its differences with traditional optimization methods are described. The architecture of a convolutional neural network is described with detailed characteristics of each layer, and the main hyperparameters of the network are noted. A prototype of a system for solving the problem of binary classification of texts based on their emotional color, based on a convolutional neural network, has been developed. The article presents the network testing and selection of the genetic algorithm fitness function based on it. A genetic algorithm is Implemented to predict the number of network filters needed to obtain a given or maximum percentage of recognizability under a set time limit. The results of the research can be used in areas related to online content analysis.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи Прочитать Печать Загрузить
-> Интернет Анонимные пользователи

Статистика использования

stat Количество обращений: 6
За последние 30 дней: 1
Подробная статистика