Cоздание моделей свойств двухслойных пленочных структур на основе линейно-цепочечного углерода с помощью Data Mining

     Если модель достаточно сложна, а значит, требуется много времени  на ее обучение и последующую  оценку, то иногда бывает можно построить и протестировать модель на небольшой части выборки. Однако этот вариант подходит только для однородных данных. Построенные модели рекомендуется тестировать на различных выборках для определения их обобщающих способностей. В ходе экспериментов можно варьировать объем выборки (количество записей), набор входных и выходных переменных, использовать выборки различной сложности.

    Одним из наиболее распространенных  методов проверки аналитических  моделей является перекрестная  проверка с исключением.

      Перекрестная проверка-метод формирования  обучающего и тестового множеств для обучения аналитической модели в условиях недостаточности исходных данных или неравномерного представления классов. В его основе лежит разделение исходного множества данных на k примерно равных блоков, например k = 5. Затем на k - 1, т.е. на 4-х блоках, производится обучение модели, а 5-й блок используется для тестирования. Процедура повторяется k раз, при этом на каждом проходе для проверки выбирается новый блок, а обучение производится на оставшихся. Иными словами разбиваем рабочую выборку на пять частей, после чего удаляем из таблицы одну часть выборки (к примеру 50 строк) и обучаем модель на оставшихся четырех. После чего по методу “что-если” пробуем получить выходную характеристику пятой выборки при фиксированных входных значениях. Далее меняем блоки местами и повторяем обучение, и так пять раз. 

Рис.19 Данные перекрестной проверки нейросети

    Из таблицы видно, что моделируемые выходные значение не на много отличаются от реальных, по этому можно считать что модель соответствует реальности и поставленным задачам. 

               Полученные данные и их обсуждение 

           Проведен сбор данных по электрическим свойствам пленок ЛЦУ легированных и интеркалированных различными материалами.

     Подготовлена  база данных в области линейно  – цепочного углерода. В нее вошли результаты исследований В.Д. Кочакова.

     База  данных представляет собой таблицу  Microsoft Excel включающую в себя 7 столбцов и 150 строк. Они являются  отражением свойств пленок линейно – цепочного углерода систематизированных и преобразованных в цифровую, удобную для анализа форму.

       Созданы вычислительные модели, позволяющей предсказывать свойства ЛЦУ для ранее не исследованных условий без проведения дополнительных экспериментов.

       Методы интеллектуального анализа данных позволяет существенно увеличить значение уже полученных экспериментальных результатов, а также получить новые “экспериментальные” результаты и выявить новые неизвестные ранее, но содержащиеся в экспериментальных данных, закономерности между свойствами пленок ЛЦУ. 

Заключение.

       Методы  интеллектуального анализа данных широко применяются  в различных  областях науки, особенно в экономике, областях прогнозирования, социальных задачах, задачах контроля и управления. Применение нейронных сетей в физических исследованиях на сегодняшний день является перспективным направлением.

         Преимущества использование методов  интеллектуального анализа данных:

1. параллелизм обработки информации;
2. выявление скрытых закономерностей
3. взаимосвязей между переменными
4. единый и эффективный принцип обучения;
5. надежность функционирования;
6. способность решать не формализованные задачи;

       В ходе работы были получены следующие  результаты:

       Создана база знаний по электрофизическим свойствам  пленок ЛЦУ.

       Созданы вычислительные модели, позволяющей предсказывать свойства ЛЦУ ранее не исследованных условий без проведения дополнительных экспериментов.

       Методы  интеллектуального анализа данных позволяет существенно увеличить  значение уже полученных экспериментальных  результатов, а также получить новые “экспериментальные” результаты и выявить новые неизвестные ранее, но содержащиеся в экспериментальных данных, закономерности между свойствами пленок ЛЦУ.

                 Список использованных источников

     1. Анил К. Джей Введение в искусственные нейронные сети. // Открытые        системы №04/97. -168 с.

2. Джеффри Е. Хинтон. Как обучаются нейронные сети. // В мире науки. 1992. № 11, 12. C. 103-107.
3. Кальченко Д. Нейронные сети: на пороге будущего.// Компьютер пресс. 2005.№ 1.
4. Круглов В.В., Борисов В.В. Искусственные нейронные сети.- М.: Горячая линия - Телеком, 2002.-382с.
5. Соболев С. Л. Уравнения математической физики. М.: Гостехиздат, 1954. 428 с.
6. Simon Haykin. Neural Networks. A Comprehensive Foundation. Macmillan College Publishing Company, Mew York, 1994
7. Peterson C. Rьgnvaldsson T. An Introduction to Artifitial Neural Networks // CERN School of Computing, 1991
8. Hecht-Nielsen Robert. Neurocomputing. Addison-Wesley Publishing Company, 1991.
9. “Аллотропия углерода”.Р.Б.Хайманн, С.Е.Евсюков. Статья в журнале «Природа», №8, 2003.
10. Чубукова И.А. Нейронные сети// Самоорганизующиеся карты Кохонена. [Электронный ресурс] Режим доступа: http://www.intuit.ru/department/database/datamining/12/ - Дата доступа: 25.04.2010.
11. "Wikipedia about Data Mining" (http://en.wikipedia.org/wiki/Data_mining)
12. "Data Mining Tutorials" (http://www.eruditionhome.com/datamining/tut.html)
13. "Thearling intro paper" (http://www.thearling.com/text/dmwhite/dmwhite.htm)
14. "Что такое Data mining?“ (http://www.megaputer.ru/doc.php?classroom/whatis_dm/whatis_dm.html)
15. "INTUIT.ru: Учебный курс - Data Mining“ (http://www.intuit.ru/department/database/datamining/)
16. "Data Mining - подготовка исходных данных“ (http://www.basegroup.ru/tasks/datamining_prepare.htm)
17. Дюк В., Самойленко А. Data mining: учебный курс. – СПб: Питер, 2001. – 368 с.
18. Круглов В.В., Борисов В.В. Искусственные нейронные сети. – М.: Горячая линия – Телеком, 2002. – 382 с.
19. Neural Networks for Instrumentation, Measurement and Related Industrial Applications. Proceedings of the NATO Advanced Study Institute on Neural Networks for Instrumentation, Measurement, and Related Industrial Applications (9-20 October 2001, Crema, Italy) / ed. by Sergey Ablameyko, Liviu Goras, Marco Gori and Vincenzo Piuri, IOS Press, Series 3: Computer and Systems Sciences, 2003, Vol. 185, Amsterdam.
20. Аналитическая платформа «Дедуктор»: www.basegroup/ru.
21. Кочаков В.Д., Новиков Н.Д., Яблоков М.Ю., Ерёмкин А.В., Васильев А.И. Способ модификации металлами пленок углерода в sp1 состоянии.  Актуальные проблемы гуманитарных и естественных наук, 2009, N 12, с. 12-17.
22. Кочаков В.Д., Новиков Н.Д., Яблоков М.Ю., Ерёмкин А.В., Васильев А.И. Металлоуглеродные системы на основе углерода в состоянии sp1. Актуальные проблемы гуманитарных и естественных наук, 2009, N 12, с. 17-20.
23. Guseva M.B., Babaev V.G., Novikov N.D. PCT Patent. International Application Number PCT/IB96/01487. December 18 (1996); WO 97/25078, July 17 (1997). US Patent 6.454.797 B2, US Patent 6.335.350 Bl.
24. Новиков Н.Д., В.Д. Кочаков, Г.Г. Телегин. Состояние исследований и перспективы использования пленок ЛЦУ в наноэлектронике. Нанотехника. – 2006. - № 2. - С. 3-8

 Приложение  № 1 

РЕЦЕНЗИЯ

на дипломный  проект на тему:

“Создание моделей свойств двухслойных пленочных структур на основе линейно-цепочечного углерода с помощью DATA MINING ”

            выполненый  выпускницей факультета ФМФ Хытовой А.Н.

        Дипломный проект содержит _55_  стр. пояснительного текста и _11_ страниц графической части.

     В дипломном проекте разработаны  следующие вопросы:

1. Собраны  экспериментальные данные по  вольтамперным характеристикам  линейно-цепочечного углерода с различными внедренными химическими элементами.

2. Методом  искусственных нейронных сетей  получены вычислительные модели, позволяющие обобщать экспериментальные данные и прогнозировать свойства линейно-цепочечного углерода.

Достоинства рецензируемого проекта:

      Исследованы возможности применения искусственных нейронных сетей для получения моделей, позволяющих обобщать экспериментальные данные и прогнозировать свойства линейно-цепочечного углерода.

Недостатки  рецензируемого проекта:

Есть  недостатки в оформлении списка литературы, величину базы данных для построения вычислительных моделей в дальнейшем следует увеличить.

         Оценка:

РЕЦЕНЗЕНТ