Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji przemieszczeń pionowych na obszarze LGOM

• Autorzy: Mrówczyńska M.

Warianty tytułu

EN

SVM neural classifiers used for classifying vertical displacements in the Legnica-Głogów Copper Mining Area

• Języki publikacji: PL

Abstrakty

PL

W prezentowanym artykule przedstawiono podstawowe zasady budowania i uczenia sieci neuronowych SVM (ang. Support Vector Machine) zwane inaczej metodą (techniką) wektorów podtrzymujących. Sieci SVM znajdują głównie zastosowanie w rozwiązywaniu zadań klasyfikacji danych separowalnych i niesparowalnych liniowo oraz zadań regresji. W ostatnich latach zakres zastosowań tego typu sieci został poszerzony i sieci rozwiązują również takie problemy jak rozpoznawanie sygnałów i obrazów, identyfikacja mowy oraz diagnostyka medyczna. W pracy sieci nieliniowe SVM wykorzystano do klasyfikacji danych nieseparowalnych liniowo w postaci przemieszczeń punktów sieci pomiarowo-kontrolnej reprezentujących obszar, na którym prowadzona jest eksploatacja górnicza. Uczenia sieci neuronowej SVM wymaga implementacji programowania kwadratowego w poszukiwaniu punktu optymalnego funkcji Lagrange'a względem optymalizowanych parametrów. W przypadku danych nieseparowalnych liniowo, metoda SVM pozwala na znalezienie hiperpłaszczyzny, która klasyfikuje obiekty na tyle poprawnie, na ile jest to możliwe i jednocześnie przebiega możliwe daleko od typowych skupień dla każdej z klas. Za pomocą metody SVM można również znaleźć krzywoliniową granicę separacji o dużym marginesie separacji, wykorzystując zabieg podniesienia wymiarowości. Jakość uzyskanych wyników separacji jest uzależniona od przyjętej postaci funkcji jądra.

EN

This article presents basic rules for constructing and training SVM neural networks. SVM neural networks are mainly used for solving tasks involving the classification of linearly and non-linearly separable data, as well as regression tasks. In recent years, the application of these types of networks has expanded, and now they are also used for solving problems such as recognition of signals and pictures, speech identification, and in medical diagnostics. In this analysis non-linear SVM networks were used for classifying linearly non-separable data in the form of vertical displacements of points representing a mining area in a measurement and control network. Training an SVM neural network requires the use of quadrant programming in search of an optimum point of a Lagrangian function in relation to the parameters which are being optimised. In the case of linearly non-separable data, the SVM method makes it possible to find a hyper plane which classifies objects as correctly as possible, and at the same time is located far enough from concentrations typical of each class. By means of raising dimensionality, the SVM method can also be used to find a curvilinear separation boundary with a wide separation margin. The quality of the results obtained depends on the adopted form of the kernel function.

Słowa kluczowe

PL

sieci neuronowe SVM; klasyfikacja; przemieszczenia pionowe

EN

SVM neural networks; classification; vertical displacements

• Wydawca: Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
• Czasopismo: Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
• Rocznik: 2014
• Tom: nr 86
• Strony: 69--81
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Mrówczyńska M.

• Uniwersytet Zielonogórski, Zielona Góra

Bibliografia

• [1] Bishop, C.M. 2006. Pattern Recognition and Machine Learningupport. Springer.
• [2] Cover, T. 1965. Geometrical and statistical properties of systems of linear inequalities with applications in pattern recoqnition. IEEE Trans. Electronic Computers vol. 14.
• [3] Gil, J. 1995. Badanie nieliniowego geodezyjnego modelu przemieszczeń (na przykładzie obciążonego podłoża gruntowego). Wydawnictwo Wyższej Szkoły Inżynierskiej w Zielonej Górze, Zielona Góra.
• [4] Gunn, S.M. 1998. Support Vector Machines for Classification or Regression. Technical Report.
• [5] Haykin, S. 1994. Neural networks, a comprehensive foundation. Macmillan College Publishing Company, New York.
• [6] Jankowski, N. 2003. Ontogemiczme sieci neuronowe. O sieciach zmieniających swoją strukturę. Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• [7] Kuligowski, J.L. 1986. Zarys teorii grafów. Wydawnictwo PWN, Warszawa.
• [8] Markiewicz, A. 2003. Halotektoniczne uwarunkowania sedymentacji i deformacji osadów kenozoicznych w południowej części Monokliny Przedsudeckiej (SW Polska). Oficyna Wydawnicza Uniwersytetu Zielonogórskiego, Zielona Góra.
• [9] Osowski, S. 2006. Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• [10] Scholkopf, B. i Smola, A. 2001. Learning with Kernels: Support Vector Machines, Regularization, Optimization and Beyond. MIT.
• [11] Vapnik, V. 1998. Statistical learning theory. Wiley, New York.
• [12] Zanni, L., Serafini, T. and Zanghirati, G. 2006. Parallel Software for Training Large Scale Support Vector Machines on Multiprocessor Systems. Journal of Machine Learning Research 7, 1467-1492.