Диссертация (Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени), страница 23
Описание файла
Файл "Диссертация" внутри архива находится в папке "Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени". PDF-файл из архива "Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ «МЭИ» . Не смотря на прямую связь этого архива с НИУ «МЭИ» , его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 23 страницы из PDF
— 1965. — Vol. 8. — Pp. 338–353.106. Pawlak Z. Rough Sets - Theoretical Aspects of Reasoning about Data. — KluwerAcademic, Dordrecht, 1991.107. А. В. Куликов. Исследование и разработка алгоритмов обобщения на основетеории приближенных множеств: Ph.D. thesis / Московский энергетическийинститут (технический университет). — 2004.108.
Kamran Karimi, Howard J. Hamilton. Temporal Rules and Temporal Decisiontrees: A C4.5 Approach: Tech. Rep. "CS-2001-02": Department of ComputerScience, University of Regina, 2001.109. Cotofrei Paul, Stoffel Kilian. Classification Rules + Time = Temporal Rules //Proceedings of the International Conference on Computational Science-Part I.— ICCS ’02. — London, UK, UK: Springer-Verlag, 2002.
— Pp. 572–581. —136110.111.112.113.114.115.116.117.118.119.120.URL: http://dl.acm.org/citation.cfm?id=645457.655326.Lo David, Khoo Siau-Cheng, Liu Chao. Mining past-time temporal rules fromexecution traces // Proceedings of the 2008 international workshop on dynamicanalysis: held in conjunction with the ACM SIGSOFT International Symposiumon Software Testing and Analysis (ISSTA 2008). — WODA ’08. — New York,NY, USA: ACM, 2008. — Pp.
50–56. — URL: http://doi.acm.org/10.1145/1401827.1401838.K. Karimi, Howard J. Hamilton. Generation and Interpretation of Temporal Decision Rules // International Journal of Computer Information Systems and Industrial Management Applications. — 2011. — Vol. 3. — Pp. 314–323.Luca Console, Claudia Picardi, Daniele Theseider Dupre. Temporal decisiontrees: model-based diagnosis of dynamic systems on-board // Journal of Artificial Intelligence Research. — 2003. — Vol. 19(1). — Pp.
469–512.Брайан Керниган, Роберт Пайк. Unix. Программное окружение. — СимволПлюс, 2003. — С. 416.Эндрю Троелсен. Язык программирования C# 2010 и платформа .NET 4.0.— 5-е изд изд. — Москва: Вильямс, 2010. — 1392 с.Бьерн Страуструп. Язык программирования C++: Пер. с англ. — Бином:Невский диалект, 2001.Quinlan J. R. C4.5: programs for machine learning. — San Francisco, CA, USA:Morgan Kaufmann Publishers Inc., 1993.Breiman Leo. Random Forests // Machine Learning.
— 2001. — oct. — Vol.45(1). — Pp. 5–32.URL: http://www.cs.ucr.edu/~eamonn/time_series_data.Pearl Judea. A Probabilistic Calculus of Actions // Proceedings of the TenthInternational Conference on Uncertainty in Artificial Intelligence. — UAI’94.— San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1994. —Pp. 454–462. — URL: http://dl.acm.org/citation.cfm?id=2074394.2074452.Fast Time Series Classification Using Numerosity Reduction / Xi, Xiaopeng,Keogh, Eamonn, Shelton, Christian et al. // Proceedings of the 23rd International Conference on Machine Learning.
— ICML ’06. — New York, NY, USA:ACM, 2006. — Pp. 1033–1040. — URL: http://doi.acm.org/10.1145/1143844.1143974.137Список рисунков1.1 Базовая структура ИСППР . . . . . . . . . . . . . . . . . . . . . . . 122.12.22.32.42.52.62.72.82.92.102.112.122.132.142.152.162.172.182.192.202.212.222.232.242.252.262.27Пример временного ряда. . .
. . . . . . . . . . . . . . . . . . . . . .Исходный временной ряд . . . . . . . . . . . . . . . . . . . . . . . .Нормализованный временной ряд . . . . . . . . . . . . . . . . . . .Соответствие символов . . . . . . . . . . . . . . . . . . . . . . . . .Исходный временной ряд (222 точки) . . . . . . . .
. . . . . . . . .Преобразованный временной ряд (меньшая размерность, 23 точки)Примерное соответствие между исходным и преобразованнымрядами . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .«Цилиндр» . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . .«Колокол» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .«Воронка» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .«Цикличность» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .«Уменьшение значения» .
. . . . . . . . . . . . . . . . . . . . . . . .«Резкий спад» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .«Увеличение значения» . . . . . . . . . . . . . . . . . . . . . . . . .«Нормальное значение» . . . . . . . . . . . . . . . . . . . . . . . . .«Резкое возрастание» . . . . . . . . . . . . . . . . . . . . . . . . . .«wafer» – нормальное протекание процесса . . .
. . . . . . . . . . .«wafer» – ненормальное протекание процесса . . . . . . . . . . . .Спектрограммы: мясо – кофе – оливковое масло . . . . . . . . . . .Пример показаний акселерометра для действия «вставать со стула»Пример показаний акселерометра для действия «садиться на стул»Пример показаний акселерометра для действия «вставать скровати» . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . .Пример показаний акселерометра для действия «ложиться вкровать» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Класс «цилиндр» (1) . . . . . . . . . . . . . . . . . . . . . . . . . . .Класс «цилиндр» (2) . . .
. . . . . . . . . . . . . . . . . . . . . . . .Класс «цилиндр» (3) . . . . . . . . . . . . . . . . . . . . . . . . . . .Примеры временных рядов класса «цилиндр» без шума . . . . . . .2931313234343550505050505050505051515256565757595959591382.282.292.302.312.322.332.342.352.362.372.382.392.402.412.422.432.442.452.462.472.482.492.502.512.522.532.542.552.562.572.582.592.602.61Примеры временных рядов класса «цилиндр» с шумомКласс «колокол» (1) . .
. . . . . . . . . . . . . . . . . .Класс «колокол» (2) . . . . . . . . . . . . . . . . . . . .Класс «колокол» (3) . . . . . . . . . . . . . . . . . . . .Примеры временных рядов класса «колокол» без шумаПримеры временных рядов класса «колокол» с шумомКласс «воронка» (1) . . . . . . . . . . . . . . . . . . . .Класс «воронка» (2) . . .
. . . . . . . . . . . . . . . . .Класс «воронка» (3) . . . . . . . . . . . . . . . . . . . .Примеры временных рядов класса «воронка» без шумаПримеры временных рядов класса «воронка» с шумомВременной ряд без шума . . . . . . . . . . . . . . . . .Временной ряд с шумом . .
. . . . . . . . . . . . . . . .«Сжатие» в 5 раз . . . . . . . . . . . . . . . . . . . . . .«Сжатие» в 10 раз . . . . . . . . . . . . . . . . . . . . .«Сжатие» в 20 раз . . . . . . . . . . . . . . . . . . . . .«Сжатие» в 30 раз . . . . . . . . .
. . . . . . . . . . . .Ряд 1 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 2 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 3 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 1 экз. мн-ва . . . . . . . . . .
. . . . . . . . . . . . .Ряд 2 экз. мн-ва . . . . . . . . . . . . . . . . . . . . . . .Ряд 3 экз. мн-ва . . . . . . . . . . . . . . . . . . . . . . .Ряд 1 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 2 обуч. мн-ва . . . . . . . . . . . . . . . . . . .
. . .Ряд 3 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 4 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 5 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 6 обуч. мн-ва . . . . . . . . . . . . . . . . .
. . . . .Ряд 1 экз. мн-ва . . . . . . . . . . . . . . . . . . . . . . .Ряд 2 экз. мн-ва . . . . . . . . . . . . . . . . . . . . . . .Ряд 3 экз. мн-ва . . . . . . . . . . . . . . . . . . . . . . .Ряд 1 обуч. мн-ва . . . . . . . . . . . . . . . . . . . . . .Ряд 2 обуч. мн-ва . . . . . . . . . . . . . . . .
. . . . . ...............................................................................................................................................................................................................................................596060606060616161616162626363636364646465656566666666666667676769691392.622.632.642.652.662.672.68Ряд 3 обуч. мн-ваbel . . . .
. . . .Ряд 1 обуч. мн-ваРяд 2 обуч. мн-ваРяд 3 обуч. мн-ваbel . . . . . . . .Дерево решений..............................................................................................................................3.13.23.33.43.53.63.73.8«Цикличность» . . . . . . . . . . . . . . . . . . .«Уменьшение значения» . .
. . . . . . . . . . . .«Резкий спад» . . . . . . . . . . . . . . . . . . .«Увеличение значения» . . . . . . . . . . . . . .«Нормальное значение» . . . . . . . . . . . . . .«Резкое возрастание» . . . . . . . . . . . . . . .Дерево решений, построенное с использованиемДерево решений, построенное с использованием«Темпоральный ID3» . . .
. . . . . . . . . . . ..............................................................................69707373737376. . . . . . . . . .. . . . . . . . . .. . . . . . . . . .. . . . . . . . . .. . . . . . . . . .. . . . . . . . . .алгоритма CPDалгоритма. . . . . . . . .
........84848484848495. 1004.1 Архитектура программного комплекса . . . . . . . . . . . . . . . . . 1034.2 Точность классификации (%) - набор данных ECG.Классификация по одному и нескольким признакам. CPD –алгоритм «CPD» [112]; TID3 – алгоритм «Темпоральный ID3» . . . 1184.3 Точность классификации (%) – набор данных wafer.Классификация по одному и нескольким признакам. CPD –алгоритм «CPD» [112]; TID3 – алгоритм «Темпоральный ID3» .
