dc.contributor.author |
Повхан, І. Ф.
|
|
dc.date.accessioned |
2021-02-11T10:22:14Z |
|
dc.date.available |
2021-02-11T10:22:14Z |
|
dc.date.issued |
2020 |
|
dc.identifier.uri |
http://ir.stu.cn.ua/123456789/21251 |
|
dc.description |
Повхан, І. Ф. Метод побудови алгоритмічного дерева другого типу на основі апроксимації навчальної вибірки набором алгоритмів класифікації / І. Ф. Повхан // Технічні науки та технології. - 2020. - № 2 (20). - С. 126-138. |
en_US |
dc.description.abstract |
Актуальність теми дослідження. Сучасні інформаційні технології, засновані на математичних моделях розпізнавання образів у вигляді ЛДК (логічних дерев класифікації), широко використовуються в соціально-економічних, екологічних та інших системах первинного аналізу та обробки великих масивів інформації, зрозуміло, що це пояснюється тим фактом, що такий підхід дозволяє усунути набір існуючих недоліки добре відомих класичних методів та досягти принципово новий результат. Робота присвячена тематиці моделей ЛДК, пропонує ефективний метод побудови моделей алгоритмічних дерев класифікації (АДК), які складаються з незалежних та автономних алгоритмів класифікації і будуть являти собою в певній мірі новий алгоритм розпізнавання (зрозуміло, що синтезований з відомих
алгоритмів та методів). Постановка проблеми. На сьогоднішній час відомі різні підходи та методи побудови моделей ЛДК (відомо більше ніж 3600 алгоритмів розпізнавання заснованих на різноманітних концепціях, які мають певні обмеження при їх використанні – точність, швидкодія, пам'ять, універсальність, надійність, тощо), проте всі вони, як правило, зводяться до побудови одного дерева класифікації за даними початкової навчальної вибірки. Зрозуміло, що доцільно не розробляти новий алгоритм, а запропонувати деяку концепцію раціонального використання вже накопиченого потенціалу алгоритмів та методів класифікації у вигляді моделей АДК, і саме тому дана робота має намір хоча би частково подолати ці обмеження та присвячена розробці методу побудови моделей алгоритмічних дерев класифікації.
Аналіз останніх літературних даних. Були розглянуті останні публікації у відкритому доступі, які присвячені проблематиці підходів, методів та алгоритмів логічних дерев класифікації (концепції дерев рішень) у задачах розпізнавання образів.
Виділення недосліджених частин загальної проблеми. Можливість ефективної та економної роботи запропонованого методу побудови алгоритмічного дерева класифікації на основі масивів навчальних вибірок великого об‘єму.
Постановка завдання. Розробка простого та якісного методу побудови моделей АДК для великих масивів початкових вибірок шляхом синтезу мінімальних форм дерев класифікації та розпізнавання, які забезпечують ефективну апроксимацію навчальної інформації набором автономних та незалежних алгоритмів класифікації.
Виклад основного матеріалу. Виявлення простого та ефективного механізму за допомогою якого можна було би будувати алгоритмічне дерево класифікації (модель АДК) за фіксованою початковою інформацією у вигляді початкової навчальної вибірки (НВ). Дане алгоритмічне дерево класифікації буде безпомилково розпізнавати всю навчальної вибірки за якою побудоване дерево класифікації мати мінімальну структуру (структурну складність) та складатися з автономних алгоритмів класифікації в якості вершин конструкції (атрибутів дерева).
Висновки відповідно до статті. Запропонований метод побудови моделей АДК другого типу дозволяє працювати з навчальними вибірками великого об‘єму та забезпечує високу швидкість та економність апаратних ресурсів в процесі генерації кінцевої схеми класифікації, будувати дерева класифікації з наперед заданою точністю. |
en_US |
dc.language.iso |
uk |
en_US |
dc.publisher |
Чернігів: ЧНТУ |
en_US |
dc.relation.ispartofseries |
2;(20) |
|
dc.subject |
задачі розпізнавання |
en_US |
dc.subject |
дерева класифікації |
en_US |
dc.subject |
алгоритмічне дерево |
en_US |
dc.subject |
схема розпізнавання |
en_US |
dc.subject |
дискретний об‘єкт |
en_US |
dc.subject |
recognition tasks |
en_US |
dc.subject |
classification trees |
en_US |
dc.subject |
algorithmic tree |
en_US |
dc.subject |
recognition scheme |
en_US |
dc.subject |
discrete object |
en_US |
dc.subject |
generalized model |
en_US |
dc.title |
Метод побудови алгоритмічного дерева другого типу на основі апроксимації навчальної вибірки набором алгоритмів класифікації |
en_US |
dc.title.alternative |
A method for constructing an algorithmic tree of the second type based on the approximation of the training sample by a set of classification algorithms |
en_US |
dc.type |
Article |
en_US |
dc.description.abstractalt1 |
Urgency of the research. Modern information technologies based on mathematical models of image recognition in the form of logical classification trees are widely used in socio-economic, environmental and other systems of primary analysis and processing of large amounts of information.it is clear that this is due to the fact that this approach allows you to eliminate a set of existing shortcomings of well-known classical methods and achieve a fundamentally new result. The work is devoted to the topic of classification trees models. It offers an effective method for constructing algorithmic models of classification trees, which consist of independent and autonomous classification algorithms and will represent to a certain extent a new recognition algorithm (it is clear that it is synthesized from known algorithms and methods). Target setting. Currently, there are various approaches and methods for building classification trees models (we know
about more than 3600 recognition algorithms based on various concepts that have certain limitations when using them – accuracy, speed, memory, versatility, reliability, etc.), but all of them, as a rule, are reduced to building a single classification tree based on the data of the original training sample. It is clear that it is advisable not to develop a new algorithm, but to offer a concept of rational use of the already accumulated potential of algorithms and classification methods in the form of classification trees models, and that is why this work intends to at least partially overcome these limitations and is devoted to developing
a method for constructing algorithmic models of classification trees.
Actual scientific researches and issues analysis. The possibility of efficient and economical operation of the proposed method for constructing an algorithmic classification tree based on arrays of large-volume training samples.
The research objective. Development of a simple and high-quality method for constructing algorithmic models of classification trees for large arrays of initial samples by synthesizing minimal forms of classification and recognition trees that provide an effective approximation of educational information with a set of Autonomous and independent classification algorithms.
The statement of basic materials. Identification of a simple and effective mechanism that could be used to build an algorithmic classification tree (a model of an algorithmic classification tree) based on fixed initial information in the form of an initial training sample. This algorithmic classification tree will accurately recognize the entire training sample for which the classification tree is built. It will have a minimal structure (structural complexity) and consist of Autonomous classification algorithms as construction vertices (tree attributes).
Conclusions. The proposed method for constructing algorithmic models of classification trees of the second type allows to work with training samples of a large volume and provides high speed and economy of hardware resources in the process of generating the final classification scheme, to build classification trees with a predetermined accuracy. |
en_US |