. Основные положения теории нейронных сетей 7
2. Постановка задачи классификации сейсмических сигналов 16
3. Статистическая методика решения задачи классификации 18
3.1 Выделение информационных признаков из сейсмограмм 18
3.2 Отбор наиболее информативных признаков для идентификации 19
3.3 Процедуры статистической идентификации 21
3.4 Оценка вероятности ошибочной классификации методом скользящего экзамена 22
4. Обзор различных архитектур нейронных сетей , предназначенных для задач классификации 23
4.1 Нейрон-классификатор 23
4.2 Многослойный персептрон 25
4.3 Сети Ворда 27
4.4 Сети Кохонена 27
4.5 Выводы по разделу 37
5. Методы предварительной обработки данных 31
5.1 Максимизация энтропии как цель предобработки 31
5.2 Нормировка данных 32
5.3 Понижение размерности входных данных 34
5.3.1 Отбор наиболее информативных признаков 34
5.3.2 Сжатие информации. Анализ главных компонент 35
5.4 Выводы .по разделу 37
6. Реализация нейросетевой модели и исследование ее технических характеристик 38
6.1 Структура нейросети 38
6.2 Исходные данные 40
6.3 Определение критерия качества системы и функционала его оптимизации 41
6.4 Выбор начальных весовых коэффициентов 41
6.5 Алгоритм обучения и методы его оптимизации 42
6.6 Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели 48
7. Программная реализация 49
7.1 Функциональные возможности программы 50
7.2 Общие сведения 51
7.3 Описание входного файла с исходными данными 52
7.4 Описание файла настроек 52
7.5 Алгоритм работы программы 57
7.6 Эксплуатация программного продукта 58
7.7 Результат работы программы 58
8. Заключение 61
Список литературы 63
Приложение 64
1. Пример выборки сейсмограмм 64
2. Пример файла с векторами признаков 65
3. Файл с настройками программы 66
4. Пример файла отчета 67
5. Файл описания функций, типов переменных и используемых библиотек “nvclass.h” 68
6. Файл автоматической компиляции программы под ОС Unix -“Makefile” 73
7. Основной модуль - “nvclass.с” 74 | 
