Практика преподавания учебных курсов по направлению «Информатика и вычислительная техника» убедительно показала насущную необходимость создания учебного пособия по новым и перспективным проблемам современных информационных технологий, к которым относятся задачи распознавания сигналов, а также их обработки с помощью генетических алгоритмов и нейронных сетей.
Предлагаемый учебник в полной мере отвечает названным задачам. В нём подробно и на достаточно высоком уровне рассмотрены проблемы классической теории распознавания, а именно: проверка простых и многоальтернативных гипотез с использованием критерия минимума среднего риска.
Большое внимание уделено теории и практике построения параметрических и непараметрических алгоритмов классификации. В рамках параметрической теории рассмотрены алгоритмы обучения с учителем, причём оценка неизвестных параметров производится как байесовскими методами, так и методом максимального правдоподобия. Для анализа эффективности получаемых оценок применяется неравенство Крамера-Рао.
При изучении непараметрических методов распознавания анализируются оценки плотностей распределения как с помощью парзеновских окон, так и методами ближайших соседей.
Кроме того, изучаются линейный и множественный дискриминантный анализ.
Специальный раздел посвящён методам классификации с использованием нейронных сетей. В учебном пособии рассмотрены как общие принципы построения нейронных сетей, так и их конкретная реализация с использованием алгоритма обратного распространения ошибки.
В пособии приведены основные принципы построения генетических алгоритмов с иллюстрациями их реализации.
И, наконец, отдельный раздел посвящён изучению широкого спектра современных методов прогнозирования.
Всё сказанное выше позволяет высказать уверенность в том, что учебное пособие будет безусловно полезным при углублённом изучении курсов, связанных с современными информационными технологиями.
Библиогр.: 6 назв. Табл.1 Рис. 15
ОГЛАВЛЕНИЕ
1. Классическая теория распознавания изображений.
1.1 Проверка простых гипотез.
1.2 Критерий минимума среднего риска.
1.3 Многоальтернативная проверка гипотез.
2. Классификаторы, разделяющие функции и поверхности решений.
2.1 Случай многих классов.
2.2 Вероятности ошибок и интегралы ошибок.
2.3 Правило принятия решения при нормальной плотности вероятностей признаков.
3. Оценка параметров и обучение с учителем.
3.1 Оценка по максимуму правлоподрбия.
3.2 Байесовский классификатор.
3.3 Эффективность оценки. Нижняя граница дисперсии несмещённой оценки. Неравенство Крамера-Рао.
4. Непараметрияеские методы.
4.1 Оценка плотности распределения.
4.1.1 Парзеновские окна.
4.1.2 Оценка методом ближайших соседей.
4.2 Оыценка апостериорных вероятностей. Правило ближайших соседей.
4.3 Аппроксимация пцтём разложения в ряд.
4.4 Линейныфй дискриминант Фишера.
4.5 Множественный дискриминантный
анализ.
5. Нейронные сети.
5.1 Общие принципы построения нейронной сети.
5.2 Области применения нейронных сетей.
5.3 Алгоритм обратного распространения ошибки.
6. Генетические алгоритмы.
6.1 Генетические алгоритмы и традиционные методы оптимизации.
6.2 Основные понятия генетических алгоритмов.
6.3 Классический генетический алгоритм.
6.4 Иллюстрация выполнения классического генетического алгоритма.
7. Традиционные методы прогнозирования.
7.1 «Наивные» модели прогнозирования.
7.2 Средние и скользящие средние.
7.3 Методы Хольта и Брауна.
7.4 Метод Винтерса.
7.5 Регрессионные методы прогнозирования.
7.6 Методы Бокса-Дженкинса.
7.7 Нейросетевые модели бизнес-программирования.
7.8 Использование многослойных персептронов.
7.9 Использование нейронных сетей с общей регрессией.
8. Библиографический список.