Оценка применимости HMM для анализа потоков данных

Целью данной работы является изучение Скрытых Марковских Моделей (СММ) и оценка их применимости для анализа потоковых данных. Кроме СММ были исследованы такие нейронные сети, как автоэнкодеры, стековые автоэнкодеры, стековые шумоподавляющие автоэнкодеры и классификатор - логистическая регрессия. В экспериментах были использованы данные, представляющие собой высокочастотные данные (100Hz), записанные с помощью наручных регистраторов данных у 42 спящих пациентов вместе с показаниями полисомнографа. Для распознавания фаз сна были построены три модели: стековый шумоподаляющий автоэнкодер с логистической регрессией и двумя типами СММ в качестве классификатора. Результаты экспериментов показали, что все три модели делают предсказания не достаточно точно. В результате появляется идея о применении альтернативного подхода к обучению: соревновательного. Была проведена серия экспериментов для сравнения стандартного и соревновательного подходов к обучению нейронных сетей. Результаты экспериментов позволяют сделать следующий вывод: соревновательный метод обучения сетей значительно быстрее стандартного, однако менее точен по сравнению с ним.

Математика
Дипломы

Вуз: Санкт-Петербургский государственный университет (СПбГУ)

ID: 587d36475f1be77c40d58b52
UUID: d6cbff51-b83e-442e-9214-74c463f29ed8
Язык: Русский
Опубликовано: больше 4 лет назад
Просмотры: 24

Шквиро Ирина Алексеевна

Источник: Санкт-Петербургский государственный университет


0

Комментировать 0

Рецензировать 0

Скачать - 1635842 bytes


Поделиться работой
Current View

Рецензии:

  Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Для лиц старше 18 лет