Адаптивная система классификаторов МГУА

Autor

  • Нина Владимировна Кондрашова Международный научно-учебного центр информационных технологий и систем НАН и МОН Украины, Ukraine
  • Павлов Александр Владимирович Национальный технический университет Украины “КПИ”, Ukraine
  • Андрей Владимирович Павлов Международный научно-учебный центр информационных технологий и систем НАН Украины и МОН Украины, Ukraine
  • Владимир Анатольевич Павлов Национальный Технический Университет “КПИ”, Ukraine

DOI:

https://doi.org/10.15587/2313-8416.2014.27392

Słowa kluczowe:

обобщенный релаксационный итерационный алгоритм (ОРИА), многорядный алгоритм с комбинаторной селекцией обобщенных переменных (МАКСО)

Abstrakt

Показано, что модели самоорганизации, построенные обобщенным релаксационным итерационным алгоритмом (ОРИА), являются наиболее точными при проверке классификаторов на новых данных. Максимальная точность классификации зависит от целевой выборки, вида модели и внешнего критерия МГУА и состава системы классификаторов. Известный многорядный алгоритм с комбинаторной селекцией обобщенных переменных (МАКСО), имеет более гибкую настройку точности на рабочей выборке по сравнению с ОРИА, но гораздо меньшее быстродействие при решении задачи классификации.

Biogramy autorów

Нина Владимировна Кондрашова, Международный научно-учебного центр информационных технологий и систем НАН и МОН Украины

Отдел информационных технологий и индуктивного моделирования, старший научный сотрудник

Павлов Александр Владимирович, Национальный технический университет Украины “КПИ”

Кафедра начертательной геометрии, инженерной и компьютерной графики, ассистент

Андрей Владимирович Павлов, Международный научно-учебный центр информационных технологий и систем НАН Украины и МОН Украины

Отдел информационных технологий и индуктивного моделирования, научный сотрудник

Владимир Анатольевич Павлов, Национальный Технический Университет “КПИ”

Кафедра биомедицинской кибернетики, доцент

Bibliografia

1. Ivakhnenko, A. G., Stepashko, V. S. (1985). Pomehoustojchivost' modelirovanija [Simulation noise immunity]. Kyiv, USSR :Naukova dumka, 214.

2. Stevens, S. S. (1946). On the Theory of Scales of Measurement. Science, 2684 (103), 677–680.

3. Kondrashova, N. V., Pavlov, V. A., Pavlov, A. V. (2013). Reshenie zadachi medicinskoj diagnostiki linejnym diskriminantnym analizom i MGUA [Problem solution of medical diagnosis by linear discriminant analysis and GMDH]. USiM, 244 (2), 79–88.

4. Yenyukov, I. S. (Ed.) (1989). Faktornyj, diskriminantnyj i klasternyj analiz [Factorial, Discriminant and Cluster analyses]. Moscow, USSR : Finance and Statistics, 215.

5. Sarychev, A. P. (1991). Diskriminantnyj analiz s obuchajushhimi i proverochnymi podvyborkami nabljudenij [Discriminant analysis with training, and check the subsample of observations]. Avtomatika, 2, 55–59.

6. Sarychev, A. P. (2008). Reshenie zadachi diskriminantnogo analiza v uslovijah strukturnoj neopredelennosti na osnovanii MGUA [Problem solution of discriminant analysis in the conditions of structural uncertainty based on GMDH]. Problemy upravleniya i informatiki, 3, 100–112.

7. Sarychev, A. P., Sarycheva, L. V. (2010). GMDH-Based Criterion for Optimal Set Features Determination in Nonlinear Discriminant Analysis. Proc. of 3d International Conference on Inductive Modeling, ICIM’2010. Yevpatoria (Ukraine), 40–43.

8. Ivakhnenko, A. G. (1971). Sistemy jevristicheskoj samoorganizacii v tehnicheskoj kibernetike [Systems of heuristic self-organization in technical cybernetics]. Kyiv, USSR, Tehnika, 364.

9. Klecka, W. R. (1980). Discriminant analysis. Quantitative Applications in the Social Sciences Series, Thousand Oaks, CA: Sage Publications. http://dx.doi.org/10.4135/9781412983938

10. Sarychev, A. P. (1988). Iteracionnyj algoritm MGUA dlja sinteza razdeljajushhej funkcii v zadache diskriminantnogo analiza [Iterative GMDH algorithm for synthesis separating function in problem of discriminant analysis]. Avtomatika, 2, 20–24.

11. Pavlov, O. V. (2006). Algorytmy samoorganizacii' v zadachah pidvyshhennja informatyvnosti geometrychnyh modelej procesiv, zadanyh tochkovym karkasom [Algorithms for self-organization in problems of increasing informativity geometric models for the processes specified with help of points framework]. Kyiv, 197.

12. Pavlov, A. V. (2011). Obobshhjonnyj relaksacionnyj iteracionnyj algoritm MGUA [Generalized relaxation iterative algorithm of GMDH]. Inductive Modelling of complex Systems. Kyiv: IRTC IT&S, 2, 95–108.

13. Kondrashova, N. V., Pavlov, V. A., Pavlov, A. V. (2006). Mnogorjadnyj algoritm veernyh reshenij [Multilayered algorithm of fan solutions]. herald National Technical Univ. ’KPI’. Informatics, Management and Computer Science, 45, 218–227.

##submission.downloads##

Opublikowane

2014-10-14

Numer

Dział

Physics and mathematics