ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ
https://doi.org/10.37493/2307-910X.2020.3.1
Аннотация
В работе предложен метод извлечения правил классификации из искусственной нейронной сети. Метод основан на модификации искусственного нейрона, структурировании информационных потоков, обрабатываемых в его информационном поле, и приведении сложных многомерных данных в более простую структуру меньшей размерности с последующим тривиальным преобразованием результатов в набор нечётких правил определенного типа. Полученные результаты экспериментального исследования, на примере решения известной задачи многопараметрической классификации, подтверждают адекватность предложенного метода, который может быть использован как в независимых нейросетевых системах распознавания образов, так и в системах поддержки принятия решений.
Список литературы
1. Yan A. Neural Network Rule Extraction for Real Time Traffic Behavior Identification / A. Yan, Z. Chen, L. Wang, L. Peng, M.U. Hassan, C. Zhao // Proceedings of the International Conference on Security, Pattern Analysis, and Cybernetics (Jinan, China, 14-17 December 2018). - IEEE, 2018. - P. 146-151.
2. Elsarrar O. Analysis of Forest Fire Data Using Neural Network Rule Extraction with Human Understandable Rules / O. Elsarrar, M. Darrah, R. Devine // Proceedings of the 18th IEEE International Conference On Machine Learning And Applications (Boca Raton, FL, USA, 16-19 December 2019). - IEEE, 2019. - P. 1917-1923.
3. Du M. Techniques for interpretable machine learning / M. Du, N. Liu, X. Hu // Communications of the ACM. - 2020. - Vol. 63, No. 1. - P. 68-77.
4. Augasta M.G. Rule extraction from neural networks - A comparative Study / M.G. Augasta, T. Kathirvalavakumar // Proceedings of the International Conference on Pattern Recognition, Informatics and Medical Engineering (Salem, Tamilnadu, India, 21-23 March 2012). - IEEE, 2012. P. 404-408.
5. Huynh T.Q. Guiding Hidden Layer Representations for Improved Rule Extraction From Neural Networks / T.Q. Huynh, J.A. Reggia // IEEE Transactions on Neural Networks. - 2011. - Vol. 22, No.2. - P. 264-275.
6. Kamruzzaman S.M. Rule extraction using artificial neural networks / S.M. Kamruzzaman, A.R. Hasan // Proceedings of the International Conference on Information and Communication Technology in Management (Melaka, Malaysia, 23-25 May 2005). - Melaka, 2005.-P. 1-14.
7. Калистратов T.A. Методы и средства автоматического контрастирования нейронной сети // Вестник Тамбовского университета. Серия: Естественные и технические науки. - 2016. - Т. 21, №2. - С. 668-670.
8. Гридин В.Н. Совместное использование нейросетевых технологий и деревьев решений для поиска логических закономерностей в данных / В.Н. Гридин, В.И. Солодовников // Информационные технологии и нанотехнологии: сб. тр. III Междунар. конф. и мол. шк. (Самара, 25-27 апреля 2017 г.). - Самара, 2017. - С. 1763-1769.
9. Chopade Н.А. Hybrid Auto Text Summarization Using Deep Neural Network And Fuzzy Logic System / H.A. Chopade, M. Narvekar // Proceedings of the INTERNATIONAL CONFERENCE ON INVENTIVE COMPUTING AND INFORMATICS (COIMBATORE, INDIA, 23-24 November 2017). - IEEE, 2017. - P. 52-56.
10. Кориков A.M. Нейро-нечеткая классификация объектов и их состояний / A.M. Кориков, А.Т. Нгуен // Научный вестник НГТУ. - 2018. - Т. 72, №3. - С. 73-86.
11. Chorowski J. Extracting rules from neural networks as decision diagrams / J.Chorowski, J.M. Zurada // IEEE Transactions on Neural Networks. - Vol. 22, No.12. - 2011. - P. 2435-2446.
12. Частиков А.П. Гибридная нейро-экспертная система для идентификации значимых событий на графиках временных рядов/ А.П. Частиков, П.М. Урвачев, К.Е. Тотухов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2016. - №124. - С. 756-769.
13. Маршаков Д.В. О методе синтеза эмпирических моделей представления знаний // Системный анализ, управление и обработка информации: тр. 5-го Междунар. науч. сем. (Дивноморск, 2-6 октября 2014 г.). - Ростов н/Д, 2014. - С. 296-299.
14. Маршаков Д.В. Технология сортировки агрокультурной продукции на основе макропризнаков // Состояние и перспективы развития сельскохозяйственного машиностроения: сб. ст. 8-й Междунар. науч.-практ. конф. (Ростов-на-Дону, 3-6 марта 2015 г.). - Ростов н/Д, 2015. - С. 310-313.
15. Кохонен Т. Самоорганизующиеся карты. - Москва: Бином. Лаборатория знаний, 2016. - 656 с.
Рецензия
Для цитирования:
Маршаков Д.В. ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ. Современная наука и инновации. 2020;(3):9-16. https://doi.org/10.37493/2307-910X.2020.3.1
For citation:
Marshakov D.V. INTERPRETATION OF NEURAL NETWORK CLASSIFICATION RESULTS. Modern Science and Innovations. 2020;(3):9-16. (In Russ.) https://doi.org/10.37493/2307-910X.2020.3.1
Просмотров:
79
Послать статью по эл. почте 