Многокритериальные нейроэволюционные системы в задачах машинного обучения и человеко-машинного взаимодействия: Монография

Description

Рассмотрены методы и модели машинного обучения для построения автоматизированных систем человеко-машинного взаимодействия. Предназначена для студентов, аспирантов и научных работников, интересующихся проблемами проектирования методов и моделей машинного и глубинного обучения. Е. А. Сопов, И. А. Иванов. Многокритериальные нейроэволюционные системы в задачах машинного обучения и человеко-машинного взаимодействия: монография ОГЛАВЛЕНИЕ ВВЕДЕНИЕ Глава 1. СИСТЕМНЫЙ АНАЛИЗ ПРОБЛЕМЫ ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И ОПТИМИЗАЦИИ В ЗАДАЧАХ ЧЕЛОВЕКО-МАШИННОГО ВЗАИМОДЕЙСТВИЯ 1.1. Обзор современных методов машинного обучения, классификации и оптимизации 1.2. Задача человеко-машинного взаимодействия и обзор существующих подходов к ее решению 1.3. Проблема распознавания эмоций при разработке человеко-машинных интерфейсов Выводы по главе 1 Глава 2. КОЛЛЕКТИВНЫЙ САМОКОНФИГУРИРУЕМЫЙ ЭВОЛЮЦИОННЫЙ АЛГОРИТМ МНОГОКРИТЕРИАЛЬНОЙ ОПТИМИЗАЦИИ 2.1. Эволюционные алгоритмы однокритериальной и многокритериальной оптимизации 2.2. Разработка и реализация самоконфигурируемого эволюционного алгоритма многокритериальной оптимизации 2.3. Исследование эффективности самоконфигурируемого алгоритма на репрезентативном наборе тестовых задач оптимизации Выводы по главе 2 Глава 3. МНОГОКРИТЕРИАЛЬНЫЙ ПОДХОД К ПРОЕКТИРОВАНИЮ АНСАМБЛЯ КЛАССИФИКАТОРОВ И ОТБОРУ ИНФОРМАТИВНЫХ ПРИЗНАКОВ 3.1. Настройка параметров и проектирование ансамблей алгоритмов машинного обучения 3.2. Разработка и реализация многокритериального подхода к отбору информативных признаков 3.3. Разработка и реализация многокритериального подхода к проектированию ансамбля нейросетевых классификаторов 3.4. Исследование эффективности многокритериального подхода к отбору информативных признаков и проектированию ансамбля нейросетевых классификаторов Выводы по главе 3 Глава 4. ГИБРИДНЫЙ АЛГОРИТМ ОБУЧЕНИЯ КОНВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ С ПРИМЕНЕНИЕМ ЭВОЛЮЦИОННОГО АЛГОРИТМА ОПТИМИЗАЦИИ 4.1. Конволюционная нейронная сеть и суть методов глубинного обучения 4.2. Достоинства и недостатки алгоритмов обратного распространения ошибки и эволюционного алгоритма для настройки искусственных нейронных сетей 4.3. Гибридный алгоритм обучения конволюционной нейронной сети 4.4. Исследование эффективности гибридного алгоритма обучения конволюционной нейронной сети на задачах анализа изображений Выводы по главе 4 Глава 5. ОБОБЩЕННЫЙ МЕТОД ДЛЯ РЕШЕНИЯ ЗАДАЧ АНАЛИЗА ГЕТЕРОГЕННЫХ ДАННЫХ 5.1. Метод слияния аудио-, видеоинформации на уровне данных и на уровне классификаторов в рамках задачи распознавания эмоций 5.2. Разработка обобщенного метода для решения задач анализа гетерогенных данных на основе слияния данных, многокритериального отбора признаков и оптимизации алгоритмов машинного обучения и конволюционных нейронных сетей 5.3. Исследование эффективности обобщенного метода на задаче распознавания эмоций Выводы по главе 5 ЗАКЛЮЧЕНИЕ СПИСОК ЛИТЕРАТУРЫ Приложение А. СРАВНЕНИЕ РАЗРАБОТАННОГО АЛГОРИТМА SELFCOMOGA С АЛГОРИТМАМИ-ПОБЕДИТЕЛЯМИ СОРЕВНОВАНИЯ CEC ПО МЕТРИКЕ IGD Приложение Б. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ ПО ИССЛЕДОВАНИЮ ЭФФЕКТИВНОСТИ МНОГОКРИТЕРИАЛЬНОГО ПОДХОДА К ОТБОРУ ИНФОРМАТИВНЫХ ПРИЗНАКОВ И ПРОЕКТИРОВАНИЮ АНСАМБЛЯ НЕЙРОСЕТЕВЫХ КЛАССИФИКАТОРОВ Приложение В. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ ПО ИССЛЕДОВАНИЮ ЭФФЕКТИВНОСТИ ГИБРИДНОГО АЛГОРИТМА ОБУЧЕНИЯ КОНВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ НА ЗАДАЧЕ РАСПОЗНАВАНИЯ ЭМОЦИЙ Приложение Г. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ ПО ИССЛЕДОВАНИЮ ЭФФЕКТИВНОСТИ ОБОБЩЕННОГО МЕТОДА АНАЛИЗА ГЕТЕРОГЕННЫХ ДАННЫХ НА ЗАДАЧЕ РАСПОЗНАВАНИЯ ЭМОЦИЙ