Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Цифровые методы диагностики и прогнозирования процессов. Учебное пособие
.pdf
матическая реализация метода скользящего контроля. Для оценива-
ния точности на контрольной выборке ее необходимо также «загрузить» в систему. Напомним, что контрольная выборка должна содержать значения тех же самых признаков, что содержались в обучающей выборке и использовались при обучении. При этом признаки
должны располагаться в обеих выборках в одинаковом
порядке. Следует отметить, что обучающая и контрольная выборки должны выбираться независимо из одного и того же вероятностного пространства. На практике обучающая и контрольная выборки могут быть
получены с помощью случайного разбиения имеющейся исходной
выборки данных. Для проведения скользящего контроля достаточно
загрузить только обучающую выборку и задать число
объектов в той
ее части, на которой на каждом шаге производится контроль .
Напомним, что метод скользящего контроля на выборке
ется в многократном проведении обучения и контроля на двух непе-
ресекающихся частях
контроль производится на выборках
должны выполняться следующие условия:
kk
SS
cc
при
kk
. Предположим, что на шаге k обучение и
S
k
S
k
S
и
t
соответственно. Тогда
c
kk
SSS
tc
.
заключа-
S
kk
SS
,
tc
,
Рис. 5.1. Интерфейс системы «РАСПОЗНАВАНИЕ»
81
Отметим, что методы проверки на контрольной выборке и метод
скользящего контроля дают несмещенную оценку точности классификации. Однако вычисляемая данными методами точность на самом деле являются только приблизительной, что делает необходимым оценивание степени неопределенности полученных результатов. Для такого оценивания в системе «РАСПОЗНАВАНИЕ» используются доверительные интервалы с заданным
уровнем значимости.
Напомним, что под доверительным интервалом с уровнем значимости
понимается такой интервал вещественной оси, что [,]
ятностью
для некоторого параметра вероятностного распределения
p
с веро-
ab
. Система «РАСПОЗНАВАНИЕ» подробно описана в
p
работе [6].
82
Библиографический список
1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов
(статистические проблемы обучения). – М.: Наука. 1974. – 416 с.
2. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: Учебник. – М.: Финансы и статистика, 2000. –
352 с.
3. Воронцов К.В. (Курс лекций). www.machinelearning.ru
4. Мерков А.Б. Распознавание образов: введение в
методы стати-
стического обучения. – М.: Эдиториал УРСС, 2011. – 256 с.
5. Потапов А.С. Распознавание образов и машинное восприятие:
общий подход на основе принципа минимальной длины описаний. –
СПб.: Политехника, 2007. – 548 с.
6. Журавлев Ю.И., Рязанов В.В., Сенько О.В. «РАСПОЗНАВАНИЕ».
Математические методы, программная система, практические применения. – М.: Фазис, 2006. – 159 с.
7. Kuncheva L.I. Combining Pattern Classifiers. Methods and Algorithms // Wiley Interscience. New Jersey. 2004.
8. Донской В.И. Алгоритмические модели обучения классификации: обоснование, сравнение, выбор. – Симферополь: «ДИАЙПИ»,
2014. – 227 с.
9. Лбов Г.С., Старцева Н.С. Логические решающие правила и
вопросы статистической устойчивости решений. – Новосибирск:
Изд-во ин-та математики, 1999. – 212 с.
10. Dietterich T. An experimental comparison of three methods for
constructing ensembles of decision trees: bagging, boosting and randomization. Machine learning. 2000. 40(2). P. 139–157.
11. Breiman L. Bagging predictors // Machine learning. 1996. 24.
Р. 123–140.
12. Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. О математиче-
ских принципах классификации предметов и явлений. Сб. «Дискретный
анализ». Новосибирск: ИМ СО АН СССР, 1966. Вып. 7. C. 3–11.
13. Дюкова Е.В. Алгоритмы распознавания типа «Кора»: сложность реализации и метрические свойства. – М.: Наука, 1989. Вып. 2.
С. 99–125.
14. Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания,
основанные на вычислении оценок // Кибернетика. 1971. № 3. С. 1–11.
15. Журавлев Ю.
И. Избранные научные труды. – М.: Издатель-
ство Магистр, 1998. – 420 с.
83
16. Рязанов В.В. Логические закономерности в задачах распозна-
вания (параметрический подход) // Журн. вычисл. математики и мат.
физики. 2007. Т 47. № 10. С. 1793–1808.
17. Распознавание нечетких систем по методу статистически
взвешенных синдромов и его применение для иммуногематологической характеристики нормы и хронической патологии /
В.А. Кузнецов и др. // Хим. физика. 1996. Т.15. № 1. С. 81–100.
18. Senko O.
В., Kuznetsova A.В. A recognition method based on col-
lective decision making using systems of regularities of various types //
Pattern Recognition and Image Analysis. 2010. 20. № 2. P. 152–162.
19. Сенько О.В. Использование процедуры статистически взве-
шенного голосования по системе базовых множеств в задачах прогнозирования // Журн. вычисл. математики и мат. физики. 1995.
35(10). С. 1552–1563.
20. Cortes C., Vapnik V. Support-vector networks //Machine Learning.
1995. 20(3). 273.
21. Chris. J.C., Burges A. Tutorial on Support Vector Machines for
Pattern Recognition. Kluwer Academic Publishers, Boston. Manufactured
in The Netherlands. Appeared in: Data Mining and Knowledge Discovery 2. 1998. Р. 121–167.
22. Журавель Ю.Н., Федосеев А.А. Особенности обработки гиперспектральных данных дистанционного зондирования при решении
мониторинга окружающей среды // Компьютерная оптика.
задач
2013. Т. 37. № 4.
23. Чимитов П.Е. Разработка математической модели сборочных
процессов с использованием методов распознавания образов: Авто-
реф. дис. ... канд. техн. наук. Иркутск, 2010.
24. Системы и технические средства раннего обнаружения пожара: Моногр. / А.В. Федоров и др. – М.: Академия ГПС МЧС России,
2009. – 158 с.
25. Qing He, Hongfei Li, D. Bhattacharjya, D.P. Parikh, A. Hampapur.
Track geometry defect rectification based on track deterioration modelling and
derailment risk assessment // J. of the Operational Research Societ. 2015.66.
392–404.
26. Киселева Н.Н. Компьютерное конструирование неорганиче-
ских соединений. Использование баз данных и методов искусственного интеллекта. – М.: Наука, 2005. – 288 с.
27. Применение методов распознавания образов для прогнозирования свойств твердых сплавов группы СТИМ. Структура, свойства
и технология металлических систем и керамик / Ю.А. Воликов и
др. // Cб. науч. тр. – М
84
.: МИСиС, 1988.
Учебное издание
Сенько Олег Валентинович
ЦИФРОВЫЕ МЕТОДЫ ДИАГНОСТИКИ
И ПРОГНОЗИРОВАНИЯ ПРОЦЕССОВ
Учебное пособие
Редактор О.В. Иванова
Компьютерная верстка
Подписано в печать 28.12.16 Рег. № 719 Уч.-изд. л. 5,31
Формат 60 90 1/
Национальный исследовательский
технологический университет «МИСиС»,
119049, Москва, Ленинский пр-т, 4
Издательский Дом МИСиС,
119049, Москва, Ленинский пр-т, 4
Тел. (495) 638-45-22
Отпечатано в типографии Издательского Дома МИСиС
119049, Москва, Ленинский пр-т, 4
тел. (499) 236-76-17, тел./факс (499) 236-76-35
16
А.В. Калинкина
Электронная версия Заказ 5278
85
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]