Синтез и анализ непараметрических коллективов решающих правил

Синтез и анализ непараметрических коллективов решающих правил

Автор: Лапко, Василий Александрович

Шифр специальности: 05.13.01

Научная степень: Докторская

Год защиты: 2004

Место защиты: Красноярск

Количество страниц: 357 с. ил.

Артикул: 2635746

Автор: Лапко, Василий Александрович

Стоимость: 250 руб.

ОГЛАВЛЕНИЕ
Введение
1 Синтез и анализ непараметрических моделей коллективного типа в задачах восстановления стохастических зависимостей
1.1 Классификация статистических моделей коллективного типа
1.2 Восстановление многомерных стохастических зависимостей на основе непараметрических коллективов
1.3 Непараметрические коллективы решающих правил в задаче
распознавания образов
1.4 Дифференциация признаков анализируемой ситуации по
степени их влияния на формирование решения
1.5 Асимптотические свойства непараметрических моделей
коллективного типа
1.6 Сравнение аппроксимационных свойств непараметрических
моделейколлективного типа
1.7 Оптимизация непараметрических моделей коллективного типа
1.7.1 Выбор закона распределения опорных точек
1.7.2 Методика формирования системы опорных точек
1.7.3 Оценивание областей компетентности нспарамстричсских моделей коллективного типа
1.8 Свойства нспарамстрических моделей коллективного типа в условиях ограниченных выборок
1.8.1 Анализ непараметрических коллективов при
оценивании стохастических зависимостей
1.8.2 Анализ свойств непараметрических алгоритмов распознавания образов коллективного типа
Выводы
2 Непараметрические модели временных зависимостей, основанные на методе двойного коллективного оценивания
2.1 Традиционные непараметрические модели временных зависимостей коллективного типа и их свойства
2.2 Синтез и анализ не параметрических моделей временных зависимостей, основанных на методе двойного коллективного оценивания
2.3 Асимптотические свойства непараметрических коллективов временных зависимостей
2.4 Сравнение аппроксимационных свойств непараметрических коллективов в задаче восстановления временных зависимостей
2.5 Исследование свойств непараметрических моделей коллективного типа при коротких временных рядах
3 Коллективы гибридных моделей в задаче восстановления
стохастических зависимостей
3.1 Направления повышенной эффективности использования априорной информации
3.2 Традиционные гибридные модели
3.3 Модификации гибридных моделей
3.4 Синтез и анализ коллективов гибридных моделей
3.5 Оценка эффективности входящих в коллектив гибридных моделей
3.6 Сравнение аппроксимационных свойств коллектива гибридных моделей
3.7 Непараметрические модели стохастических зависимостей с учтом их частичного описания
4 Непараметрические модели последовательных процессов 3 принятия решений
4.1 Непараметрические модели статических систем с линейной 3 структурой
4.2 Непараметрические модели стохастических зависимостей, 3 основанные на методе группового учта аргументов
Выводы
5 Непараметрические модели анализа множеств случайных 9 величин
5.1 Регрессионная оценка плотности вероятности
5.2 Применение метода декомпозиции обучающей выборки в
задаче распознавания образов
5.3 Синтез и анализ непараметрической регрессии на основе
метода декомпозиции выборки
5.4 Анализ множеств случайных величин при восстановлении 8 стохастических зависимостей
5.5 Непараметрические алгоритмы классификации множеств
случайных величин
5.6 Свойства непараметрических моделей стохастических
зависимостей в условиях больших выборок
Выводы
6 Информационная система прогнозирования динамики
состояния преступности региона
6.1 Основные понятия и определение объекта исследования
6.2 Системный анализ преступности и ее причины
6.3 Задачи исследования состояния преступности региона
6.4 Анализ направлений научных исследований в задачах
профилактики и борьбы с преступностью
6.5 Структура информационной системы и описания процесса е 1 функционирования
6.6 Прогнозирование показателей преступности на примере 7 Красноярского края
Выводы
7 Программное обеспечение нспараметрических коллективов
решающих правил и его применение
7.1 Программное обеспечение непараметрических коллективов
решающих правил
7.1.1 Назначение комплекса программ и его
функциональные возможности
7.1.2 Структура комплекса программ
7.1.3 Описание вспомогательных блоков
7.1.4 Блок программ Непараметрические методы
восстановления стохастических зависимостей
7.1.5 Блок программ Непараметрические методы
распознавания образов
7.1.6 Описание работы блока программ Оценка вклада
аргументов
7.2 Статистические модели оценивания показателей
эффективности электротехнических изделий
7.2.1 Непараметрические модели оценивания показателей
эффективности электронасосных агрегатов
7.2.2 Статистический анализ влияния конструктивных
особенностей рабочих колс на эффективность электронасосных агрегатов
7.2.3 Разработка и исследование не параметрических
моделей малорасходных вентиляторов системы
охлаждения
7.3 Информационная система исследования закономерностей
влияния параметров энерготехнологических процессов предпосевной высокочастотной обработки семян
7.3.1 Гибридные модели электромагнитного поля
процессов ВЧ и СВЧ обработки семян пшеницы
7.3.2 Коллективы решающих правил в задаче исследования
процессов ВЧ и СВЧ обработки семян пшеницы
7.3.3 Статистическая модель динамики развития валерианы
лекарственной
7.3.4 Статистические модели оценивание показателей
эффективности технологии высокочастотной предпосевной обработки клубней картофеля
7.4 Восстановление взаимосвязи между показателями
гемодинамики сердечнососудистой системы организма человека в экологических условиях Севера.
Выводы
Заключение Список литературы
Введение
Актуальность


Нетрудно заметить, что первое слагаемое в 1. Мухоптимальной модели 1. Второе слагаемое гх играет, по всей видимости, роль поправочного члена, значение которого снижается по мере роста объема исходной информации. Вид гх зависит от опорных функций. У рх. Наличие поправочного члена делает коллектив 1. Яx гxх1
7
1. И , ,
где Жп асимптотическое разложение критерия
1. Пусть Р х, сгх, I 1,и обучающая выборка, составленная из параметров складывающейся ситуации х и соответствующих им указаний учителя сгх о принадлежности Й ситуации к одному, например, из двух классов , , 2, 5. Напомним, что функция ф2 ос является знакопеременной. Агхх 1. Оценка х7 указаний учителя о принадлежности ситуации х формируется с помощью решающего правила 1. Процесс отыскания параметров а разделяющей поверхности должен осуществляться с учтом е прохождения через ю опорную точку. Реализация задачи 1. Хорошо зарекомендовал себя метод наилучшей пробы. Без существенного снижения эффективности строящегося коллектива решающих правил, вид уравнений разделяющих поверхностей может быть принят линейным, что значительно сократит требуемые вычислительные ресурсы. Отличие 1. Обобщенное решающее правило классификации формируется с учетом знака уравнения г. А 1,
где Л область, образуемая классами П, у 1,М уXх
оценка разделяющей поверхности типа 1. Тем самым формируется система распознавания образов с линейной структурой. Причм окончательное решение о принадлежности ситуации х может быть принято на одном из Л1 этапе классификации. Для уменьшения вероятности ошибки и количества упрощнных параметрических уравнений разделяющей поверхности опорные точки необходимо выбирать из области пересечения классов. Дополнительно эффективность непараметрических коллективов классификации можно повысить за счт использования результатов формирования их структуры. СР У
Применение данной модификации повышает помехозащищнность иепараметрических коллективов и точность решения задачи классификации. Проведм сравнение непараметрических коллективов с наиболее близкими к ним подходами решения задачи распознавания образов , 2. По классификации Л. Л. Растригина 8 метод комитетов относится к линейным гибридным решающим правилам типа
тх ii ixi
где i x i i x i решающее правило, формируемое на основе уравнения разделяющей поверхности x К из их комитета К . О 1, если х 0. V х1, егхг, i 1, и. Хс i8 ix
формируется на основе частных решающих правил ixi x. К преимуществу метода комитетов можно отнести возможность наращивания сложности решающего правила на основе линейного класса решающих функций, что обеспечивает безошибочную классификацию обучающих выборок. С единых теоретических позиций Вл. Д. Мазурову удалось решить задачи распознавания образов, таксономии, математического программирования. Основным недостатком метода комитетов является потеря информации при переходе от исходного вектора описания к его булевому представлению при формировании комитетного уравнения разделяющей поверхности х. Причм для существующих алгоритмов построения комитетов с различной логикой не доказана их сходимость 2. В условиях существования комитета, возрастают вычислительные трудности реализации алгоритма распознавания образов по мере усложнения границы между классами. МЕлМ . Каждая опорная функция строится относительно опорных точек х1, 1 1, из условия минимума ошибки распознавания образов. Так как оценка решающей функции относится к непараметрическим локальным аппроксимациям, то на е основе можно восстанавливать границы между классами любой сложности. По сравнению с методом комитетов, непараметрические алгоритмы коллективного типа, обладают устойчивостью к изменению обучающей выборке, т. Основу алгебраической теории распознавания образов Ю. И. Журавлва составляют принципы формализации закономерностей синтеза алгоритмов классификации . Им предложены методы расширения классов алгоритмов при помощи алгебраических операций, что позволяет строить полное семейство алгоритмов, содержащее корректный алгоритм решения задачи распознавания образов.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.283, запросов: 244