Логико-вероятностный метод извлечения знаний и его применение в задачах прогнозирования и управления

Логико-вероятностный метод извлечения знаний и его применение в задачах прогнозирования и управления

Автор: Демин, Александр Викторович

Шифр специальности: 05.13.11

Научная степень: Кандидатская

Год защиты: 2008

Место защиты: Новосибирск

Количество страниц: 171 с.

Артикул: 4243171

Автор: Демин, Александр Викторович

Стоимость: 250 руб.

Логико-вероятностный метод извлечения знаний и его применение в задачах прогнозирования и управления  Логико-вероятностный метод извлечения знаний и его применение в задачах прогнозирования и управления 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.
ГЛАВА 1. АНАЛИЗ МЕТОДОВ ИЗВЛЕЧЕНИЯ ЗНАНИЙ ИЗ ДАННЫХ.
1.2. Реляционный подход к извлечению знаний.
1.3. Постановка задачи разработки метода извлечения знаний и метода предсказания. ГЛАВА 2. МЕТОД ИЗВЛЕЧЕНИЯ ЗНАНИЙ И МЕТОД ПРЕДСКАЗАНИЯ.
2.1. Метод извлечения знаний из данных
2.1.1. Формализация способа задания классов гипотез.
2.1.2. Определение вероятностной закономерности.
2.1.3. Метод обнаружения вероятностных закономерностей
2.1.4. Алгоритм поиска вероятностных закономерностей
2.2. Метод прсдсказашы и метод принятия решений.
2.2.1. Общая формулировка мет ода предсказания
2.2.2. Метод предсказания.
2.2.3. Метод предсказания, основанный на оценке максимальной вероятности
2.2.4. Метод принятия решений.
ГЛАВА 3. СИС IV И ЕЕ ПРИМЕНЕНИЯ
3.1. Програмхмная система iv.
3.1.1. Описание системы iv.
3.1.2. Технология решения задач в системе iv.
3.2. Применение системы iv в медицине
3.2.1. Проблема диагностики фолликулярной опухоли щитовидной железы.
3.2.2. Диагностика по цитологическим признакам
3.2.3. Диагностика по УЗИ признакам.
3.2.4. Обсуждение и заключение
3.3. Применение системы iv в финансах
3.3.1. Разработка торговой системы
3.3.2. Тестирование торговой системы.
3.3.3. Сравнение с другими методами.
3.3.4. Вывода
3.4. Применение системы iv в биоинформатике
3.4.1. Задача распознавания ССТФ
3.4.2. Применение системы iv для распознавания ССТФ.
3.4.3. Обсуждение
ГЛАВА 4. МОДЕЛЬ АДАПТИВНОЙ СИСТЕМЫ УИРАЛЕНИЯ.
4.1. Обзор адаптивных систем управления и проблемы их разработки.
4.2. Система управления аниматом.
4.2.1. Теория функциональных систем
4.2.2. Архитектура системы управления
4.2.3. Модель работы функциональной системы
4.2.4. Схема работы системы управления.
4.2.5. Метод самообучения
4.2.6. Метод обнаружения подцелей
4.3. Эксперименты
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


В четвертой главе описывается применение разработанного логиковероятностного метода извлечения знаний для разработки модели адаптивной системы управления. В разделе 4. Приведен анализ существующих в рамках направления исследований «Адаптивное поведение» подходов к построению систем управления с точки зрения возможности организации самообучения и адаптации. Выделены основные проблемы, связанные с разработкой адаптивных систем управления. В разделе 4. В разделе 4. П.К. Анохина, которая является концептуальной основой для разработанной модели адаптивной системы управления. В разделах 4. В разделе 4. В разделе 4. В разделе 4. Приводятся сравнения с существующими подходами, основанными на теории обучения с подкреплением (Reinforcement Learning). В заключении приведены основные результаты работы. ГЛАВА 1. В настоящее время нейронные сети, решающие деревья и статистические методы являются наиболее популярными методами машинного обучения. Условно эти методы можно назвать «числовыми», поскольку вид закономерностей, обнаруживаемых этими методами, в основном определяется отношениями между признаками объектов и их числовыми значениями [8-9,]. Эти методы относительно просты, эффективны и способны работать с зашумленными данными. Однако они имеют серьезные ограничения в типах обнаруживаемых закономерностей [7-9,,]. В числовых методах объекты описываются множеством пар признаков объектов и их значений, где каждый признак представляет некоторую характеристику объекта: цена, объем и т. Таким образом, языки числовых методов, но сути, представляют собой языки одноместных функций и одноместных предикатов, т. Язык одноместных функций и предикатов не позволяет описывать отношения между двумя, тремя или большим количеством объектов. Априорные знания о предметной области могут быть использованы в числовых методах только в крайне ограниченной форме. Более того, любые отношения, которые явно не представлены в виде записей «признак-значение», не могут быть использованы числовыми методами в процессе обнаружения закономерностей. Другое серьезное ограничение всех существующих числовых КЭЭ&ПМ методов заключается в том, что у этих методов исходное множество проверяемых гипотез задается априори. Какова в некотором смысле «истинная» зависимость - такой вопрос не ставится, да и не может быть поставлен в рамках этих методов. Серьезной проблемой для числовых методов также является интерпретируемость результатов. Дело в том, что признаки объектов представляют некоторые величины, которые характеризуются не только своими числовыми значениями, но набором операций и отношений, которые имеет смысл производить с числовыми значениями этих величин с точки зрения рассматриваемой предметной области (точнее это те операции и отношения, которые интерпретируемы в системе понятий соответствующей предметной области). Поэтому с числовыми значениями признаков объектов нельзя слепо производить любые математические операции и применять к ним любые отношения. В числовых методах перед обработкой данные, как правило, преобразуются к одному из известных видов - количественному или качественному. Если они преобразуются к количественному виду (то есть с числами разрешается производить любые математические операции, вне зависимости от их интерпретации), то в них вносится бессмысленная информация (проявляющаяся в том, что невозможно обоснованно проинтерпретировать полученные результаты). Если данные преобразуются к количественному виду за счет использования различного рода (числовых) моделей или дополнительных предположений, которые не полностью интерпретируемы, то это также приводит к невозможности обоснованно проинтерпретировать полученные результаты. Если данные преобразуются к качественному виду, то это, как правило, ведет к потере информации. В отличие от числовых методов, логические методы, базирующиеся на языке логики первого порядка, имеют значительно больше возможностей для представления закономерностей [8-9,-]. Язык первого порядка позволяет использовать больше информации об объекте, а не только значения его признаков.

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: 0.205, запросов: 244