Юдін Сергій Анатолійович. Метод формування образів в задачах інтелектуального аналізу даних : Дис... канд. техн. наук: 05.13.23 / Одеський національний політехнічний ун-т. — О., 2006. — 168арк. : рис., табл. — Бібліогр.: арк. 155-164.
Анотація до роботи:
Юдін С.А. Метод формування образів в задачах інтелектуального аналізу даних. – Рукопис.
Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 – Системи та засоби штучного інтелекту – Одеський національний політехнічний університет, Одеса, 2006.
Метою дисертаційної роботи є підвищення достовірності та зменшення часу формування образів в задачах ІАД шляхом формалізації процесу формування образів: розробки критерію якості ФО та урахування нових складових процесу, які впливають на якість результатів.
У роботі запропоновано новий показник і критерій якості ФО, який базується на гіпотезі -компактності і дозволяє підвищити рівень автоматизації розв’язання задач ФО.
На основі запропонованого критерію якості розроблено новий метод формування образів, який відрізняється від відомих підходів наявністю в ньому специфічних етапів процесу формування простору ознак в умовах розв’язання задачі ФО та вдосконаленим методом ФО. Результати роботи методу забезпечують в середньому на 10-15% більшу достовірність – відповідність вибірковим даним.
Розроблений метод реалізовано у вигляді інтелектуальної програмної системи CLUSTER, що показала високу ефективність при рішенні задач ФО як окремої задачі аналізу даних та інших задач, які потребують розв’язання задачі ФО. Достовірність результатів від 84 до 96%, економічний ефект від впровадження системи – збільшення прибутку на 15-18%.
У роботі розроблено та обґрунтовано новий метод формування образів в інтелектуальних системах, який відрізняється від відомих підходів тим, що в ньому процес ФО розглядається комплексно – від етапу структурного синтезу простору ознак до, безпосередньо, розв’язання задачі ФО. Формалізація процесу формування простору ознак і вдосконалення відомих методів ФО дозоляють одержувати рішення високої якості (достовірності), навіть в умовах невеликої кількості об’єктів.
За результатами аналізу відомих методів ФО, в якості найбільш перспективних, було обрано методи, засновані на гіпотезі -компактності.
Розроблено показник якості ФО, заснований на гіпотезі -компактності. В його основу покладено величину, яка характеризує зміну -відстані всередині образів і не вимагає привнесення додаткових гіпотез щодо розташування об’єктів. На базі показника запропоновано критерії якості ФО.
На основі запропонованого критерію якості ФО розроблено p-алгоритм ФО, що дозволило формалізувати процес розподілу об’єктів по образах.
Розроблено підходи до вирішення проблеми формування простору ознак з урахуванням можливості виникнення нерозрізненості, що забезпечило підвищення достовірності ФО.
Розроблено метод виключення з ПО ознак, які не забезпечують компактність розташування об’єктів, що дозволило підвищити достовірність та зменшити час ФО.
Розроблено об’єктно-орієнтовану модель процесу формування образів. Істотною відмінністю від відомих підходів є наявність у процесі специфічних етапів формування простору ознак в умовах розв’язання задачі ФО. На основі моделі процесу розроблено комплексний метод ФО. Розроблений метод дозволяє вирішувати задачі ФО у загальному вигляді, в яких апріорно не задано ніяких обмежень на очікуваний результат.
Здійснено практичну реалізацію розробленого комплексного методу формування образів в інтелектуальній системі CLUSTER. Ця система призначена для розв’язання задач ФО як окремої задачі ІАД і як елемента розв’язання інших задач. ІС CLUSTER може бути застосована для задач ФО будь-якого типу.
Розроблений програмний засіб було застосовано для порівняльного аналізу методів ФО та розв’язання практичних задач. При порівняльному аналізі досліджувалася достовірність результатів та час, витрачений на розв’язання задач ІАД: достовірність результатів склала 84-96%, а виграш у часі, порівняно з алгоритмом -KRAB, 67-83%. Розв’язання практичних задач аналізу ефективності функціонування мереж АЗС забезпечило підвищення ефективності у середньому на 15-18 %.
Усі результати було отримано в автоматичному режимі формування образів. Одержані в роботі методологічні розробки і програмні засоби впроваджені в навчальний процес.
Публікації автора:
Юдін С.А. Структурування баз даних на основі методів автоматичної класифікації // Тр. Одес. политехн. ун-та. – Одесса, 2005. – Спецвыпуск – С.40–44.
Крисилов В.А., Юдин С.А. Естественная и искусственная таксономия // Искусственный интеллект. – 2005 – №1. – C. 74–85
Крисилов В.А., Юдин С.А. Решение задачи таксономии на основе гипотезы компактности при анализе данных // Искусственный интеллект. – 2005 – №4. – C. 699–707.
Крисилов В.А, Юдин С.А, Крисилова Н.В. Проблемы “ложной” компактности в дискретном пространстве признаков в задачах таксономии // Тр. Одес. политехн. ун-та. – Одесса, 2004. – №2 (22). – С. 91–97.
Крисилов В.А., Сухарев Д.Е., Юдин С.А. Механизмы адаптивности автоматизированных систем управления предприятием // Холодильна техніка і технологія. – Одесса, 2003. – №3 (83) – С. 85–88.
Крисилов В.А., Юдин С.А. Метод выбора системы признаков на основе гипотезы -компактности при решении задач ИАД // Тр. Междунар. конф. “Интеллектуальный анализ информации ИАИ-2005”. – К.: Просвіта, 2005. – С.187–195.
Крисилов В.А., Юдин С.А. Гипотеза компактности в задачах таксономии // Мат. междунар. конф. “Интеллектуальные и многопроцессорные системы - 2005”. – Таганрог: ТРТУ, 2005 – С. 251–257.
Юдін С.А. Гіпотеза компактності в задачах кількісного обґрунтування прийняття рішень // Тези доп. 38-ї наук. конф. „Сучасні інформаційні технології та телекомунікаційні мережі”. – Одеса: ОНПУ, 2003 – С.50.
