Тема выпускной квалификационной работы: «Классификация динамических образов активности слухового нерва на основе самоорганизующихся нейронных графов». Данная работа посвящена исследованию проблемы обработки потоковых данных и разработке метода классификации потоковых данных в условиях дрейфа концепции. В результате для классификации потоковых данных были использованы самоорганизующиеся карты Кохонена, которые строились с помощью алгоритма UbiSOM. Также для повышения скорости сходимости алгоритма в карту был введен механизм утомляемости нейронов, а также был модифицирован механизм обнаружения дрейфа концепции для повышения его чувствительности к изменениям в потоке. Классификация данных выполнялась с помощью оценки схожести графов, сформированные на основе карт, обученных с помощью пакетного режима. Предложенный алгоритм реализован на языке C++. Алгоритм апробирован с помощью тестовых данных, имитирующих поток для оценки качества обнаружения дрейфов в потоках и качества построения карт, также алгоритм тестировался с помощью анализа слухового нерва для оценки качества классификации. Поскольку для классификации использовался метод оценки схожести графов, для ускорения работы было принято решение вычислять количество кластеров с помощью DS2L-SOM, который сравнивался с SOINN и ESOINN. Сравнение показало, что для ускорения работы алгоритма целесообразно использовать DS2L-SOM. Применение алгоритма показало его способность динамически классифицировать интервалы, содержащие голос и шум, что говорит о том, что он может быть использован для детектирования речи.

The topic of the graduate qualification work is: "Classification of dynamic images of auditory nerve activity on the basis of self-organizing neural graphs". This work is devoted to the research of the problem of stream data processing and development of the method of classifying stream data under the concept drift. As a result, self-organizing Kohonen maps were used to classify the stream data, which were constructed using the UbiSOM algorithm. Also to increase the convergence rate of the algorithm, the neuronal fatigue mechanism was introduced into the map, and the concept drift detection mechanism was modified to increase its sensitivity to changes in the flow. Classification of data was performed by estimating the similarity of graphs formed on the basis of maps trained with the help of batch mode. The proposed algorithm is implemented in C++ language. The algorithm was tested with the help of test data simulating the flow to estimate the quality of drift detection in the flows and the quality of mapping. The algorithm was also tested with the help of auditory nerve analysis to estimate the quality of classification. Since a similarity graph method was used for classification, it was decided to calculate the number of clusters using DS2L-SOM, which was compared to SOINN and ESOINN, to speed up the work. Comparison showed that it was reasonable to use DS2L-SOM to speed up the work of the algorithm. The algorithm has shown its ability to dynamically classify intervals containing voice and noise, suggesting that it can be used for speech detection.

• b4677cffeb4c870cb404833a3162fbfe8e34f769674b3db06d00b889aaf25794.pdf
• b4677cffeb4c870cb404833a3162fbfe8e34f769674b3db06d00b889aaf25794.pdf
• b4677cffeb4c870cb404833a3162fbfe8e34f769674b3db06d00b889aaf25794.pdf