Принятие решений в рамках собственного признакового пространства объекта

Принятие решений в рамках собственного признакового пространства объекта

№ 4(16) 2018

Страницы:

5 –

13 Язык: русский

Открыть файл статьи

Аннотация

Рассматриваются формирование собственного пространства объекта из латентных признаков в задаче распознавания с непересекающимися классами. Описан метод отбора набора информативных признаков в этом пространстве. Предложен способ оценки объекта и принятие решения по нему с помощью этого набора. Разработана методика селекции обучающих выборок с помощью оценок.

Formation of an object’s own space from latent features in the recognition problem with disjoint classes is considered. A method for selecting a set of informative features in this space is described. A method for evaluating an object and making a decision on it using this set are proposed. The technique of selection of training samples is developed. Values of estimates are used for separating objects into standards and noise.

Список использованных источников

Дюк В. А. Методология поиска логических закономерностей в предметной области с нечеткой системологией: На примере клинико-экспериментальных исследований: Дисс.... докт. тех. наук: Санкт-Петербург. 2005. 309 с.

Берестнева О. Г., Муратова Е. А., Янковская А. Е. Анализ структуры многомерных данных методом локальной геометрии // Известия Томского политехнического университета. 2003. Т. 306. №3. С. 19–23.

Гордеев Э. Н. Задачи выбора и их решение // Компьютер и задачи выбора. - М.: Наука, 1989. С. 5–48.

Ignat’ev N. A., Mirzaev A. I. The Intelligent Health Index Calculation System // Pattern Recognition and Image Analysis. 2016. V. 26. №1. P. 73–77. 12 Ignatev N. A., Lolaev M. Y.

Игнатьев Н. А. Индексирование объектов по индивидуальным наборам информативных признаков // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. №4(37). 2016. С. 27–35.

Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. // Москва. Финансы и статистика. 1989. 607 с.

Chalmers M. A Linear Iteration Time Layout Algorithm for Visualising High–Dimensional Data // Proc. IEEE visualization, San Francisco, 1996. P. 127–132.

Игнатьев Н. А. Кластерный анализ данных и выбор объектов–эталонов в задачах распознавания с учителем // Вычислител. технологии. 2015. Т. 20. №6. С. 34–43.

Борисова И. А., Кутненко О. А. Ценцурирование ошибочно классифицированных объектов выборки // 17-я Всероссийская конференция “Математические методы распознавания образов – 2015” 19 –25 сентября 2015, Россия, г. Светлогорск.

Касымова Р. И. Клинико-лабораторные особенности острых гнойных и серозных менингитов в зависимости от этиологии: Дис. ... канд. мед. наук. / Ташкент, 2009. 145 с.