Naslov (srp)

Оптимизација алгоритамских тестова нормалности заснованих на нреуронским мрежама : докторска дисертација

Autor

Simić, Miloš R., 1991-

Doprinosi

Jeremić, Veljko, 1985-
Stanković, Srđan, 1945-
Stanimirović, Zorica, 1976-
Nikolić, Boško D., 1972-
Mišković, Stefan, 1987-

Opis (srp)

У овој дисертацији разматран је алгоритамски приступ тестирању нормал-ности расподела. Предложена је методологија за конструкцију неуронских мрежа заиспитивање нормалности, која се заснива на примени генетских алгоритама на проблемистовремене оптимизације свих параметара који утичу на перформансе мрежа. У њихспадају параметри генерисања података, репрезентације узорака, мрежне архитектуреи тренирања мреже. Извршена је евалуација метода машинског учења помоћу којих јемогуће контролисати вероватноћу грешке бинарних класификатора на изабраној класи,а предложене су и три нове методе за контролу грешке. Применом методе која је уевалуацији остварила најбоље резултате, развијена су два омнибус теста нормалностина основу једносмерних и рекурентних неуронских мрежа, као и осам усмерених тестованормалности за основне типове дистрибуција које не припадају фамилији нормалних.Исцрпна евалуација на узорцима до 100 елемената, добијеним из разних расподела, по-казује предности мрежних тестова нормалности у односу на стандардне статистичкетестове. У готово свим случајевима, усмерени мрежни тестови имају већу моћ од усме-рених статистичких тестова при сва три уобичајена прага статистичке значајности (1%,5% и 10%). Омнибус тест изведен из класичне једносмерне мреже има ранг бољи од стан-дардних тестова при прагу значајности од 1%, док омнибус тест изведен из рекурентнемреже са дугорочном меморијом по моћи надмашује стандардне тестове на узорцима до30 елемената из многих типова расподела које се у литератури користе за евалуацијутестова нормалности.

Opis (srp)

Математика, Рачунарске науке - Вештачка интелигенција, Статистика Оптимизација / Mathematics, Computer Science - Artificial Intelligence, Statistics, Optimization Datum odbrane: 30.09.2024.

Opis (eng)

In this dissertation, we examine an algorithmic approach to normality testing.We propose a methodology based on a Genetic Algorithm for the simultaneous optimizationof all parameters affecting the performance of a neural network for sample classification.Those are the parameters of data generation, sample representation, network architecture, andtraining. We evaluated state-of-the-art machine-learning methods for controlling the chosenclass-conditional error of a binary classifier and proposed three new techniques. Using the bestperformingmethod, we derived two omnibus normality tests from feedforward and recurrentneural networks and eight tests directed against basic non-normal distribution types. Rigorousevaluation using samples with up to 100 elements generated from various distributions showsthe advantages of the network tests over the standard statistical normality tests. In almostall cases, directed network tests are more powerful than standard directed statistical testsof normality at the three most common significance thresholds (1%, 5%, and 10%). Thefeedforward omnibus network test outranks the statistical omnibus tests at the thresholdequal to 1%. The recurrent omnibus network test is more powerful than the other tests onthe samples, with up to 30 elements from many distributions typically used in the literatureto evaluate normality tests.

Jezik

srpski

Datum

2024

Licenca

© All rights reserved

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Teorija verovatnoće. Matematička statistika

OSNO - Opšta sistematizacija naučnih oblasti, Računarske komunikacije. Računarske mreže

neural networks, normality testing, genetic algorithms, binary classification, error-rate control

OSNO - Opšta sistematizacija naučnih oblasti, Teorija verovatnoće. Matematička statistika

OSNO - Opšta sistematizacija naučnih oblasti, Računarske komunikacije. Računarske mreže

неуронске мреже, тестови нормалности, генетски алгоритми, бинарна класификација, контрола вероватноће грешке