Автореферат (1137116), страница 3
Текст из файла (страница 3)
Результаты использованияпорядково-инвариантной паттерн-кластеризации приведены в таблице 1.Таблица 1. Результаты порядково-инвариантной паттерн-кластеризацииЦветокЧисло экземпляровОшибочно классифицированоIris Setosa500Iris Versicolor501Iris Virginica504Таким образом, ошибка составляет 5/150 = 0,03. Данный результатсопоставим с работой других известных методов. В качестве основных плюсовиспользованияпорядково-инвариантнойпаттерн-кластеризацииможноотметить не только высокую точность полученных результатов, но иотносительно низкую вычислительную сложность.Подраздел 2.6 посвящен применению разработанных методов анализапаттернов к классическому набору тестовых данных «Balance Scale Data Set».Подраздел 2.7 посвящен разработке численных методов вычисленияиндексов неоднородности инновационного развития.
Под неоднородностьюпонимается структурные различия объектов, входящих в исследуемоемножество. Таким образом, для определения неоднородности множествапредлагается сравнить количество схожих внутренних структур объектов (поанализируемым показателям). С этой целью, в зависимости от требуемой в16конкретной задаче точности, используется один из предложенных выше новыхметодованализаинвариантнаяипаттернов(порядково-фиксированная,диффузионно-инвариантнаяпорядково-паттерн-кластеризации).Исследуемое множество будем считать полностью однородным (индекснеоднородности равен 0), если все объекты образуют единый паттерн, иполностью неоднородным (индекс неоднородности равен 1), если никакие 2объекта невозможно объединить, используя предложенные методы.
Всегопредлагается к рассмотрению 3 индекса:1.Порядково-фиксированныйинновационныйиндекс.Возможноприменение для предварительных расчѐтов и общей оценки исследуемогомножества объектов X. Рассчитывается как{2.Порядково-инвариантный инновационный индекс. Применяется дляболее подробной оценки исследуемого множества объектов X.
Рассчитываетсякак{3.Диффузионно-инвариантный инновационный индекс. Исходя изиспользуемого при формировании паттерн-кластеров метода, применяется вслучае необходимости оценки неоднородности множества объектов X,состоящем из весьма схожих объектов. Рассчитывается как{17Для каждого предложенного в работе индекса описаны некоторыесвойства. Приведем свойства диффузионно-инвариантного инновационногоиндекса (свойства аналогичны для других предложенных индексов).а) Численное значение диффузионно-инвариантного инновационногоиндекса есть неотрицательная величина, меньшая или равная единице:б) Длябольшеголюбого числа диффузионно-инвариантных паттерн-кластеров,единицы,диффузионно-инвариантныйинновационныйиндексбольше нуля, т.е..в) При равенстве числа диффузионно-инвариантных паттерн-кластеров иисследуемых объектов, диффузионно-инвариантный инновационный индексравен 0, т.е.г) При возрастании числа диффузионно-инвариантных паттерн-кластероввозрастает численное значение диффузионно-инвариантного инновационногоиндекса, т.е.гдеи– некоторые численные значения количества диффузионно-инвариантных паттерн-кластеров;и– соответствующиеидиффузионно-инвариантныеинновационные индексы.Соотношение всех предложенных индексов можно выразить следующемсвойством: при расчете различных индексов неоднородности инновационногоразвития на одном множестве выполняется соотношение18Подраздел 2.8 посвящен разработке комплекса программ на основе новойординальной парно-сопоставительной модели.
Приведено общее описаниекомплекса программ, а также вычислительной сложности алгоритмов.Отмечается, что данный комплекс получил свидетельство о государственнойрегистрации программ для ЭВМ № 2016614336 (дата государственнойрегистрации: 21 апреля 2016).Приведена агрегированная блок-схема (см.рисунок 1).Рисунок 1. Агрегированная блок-схема разработанного комплекса программ.Раздел 3 посвящен исследованию неоднородности инновационногоразвития. В данном разделе применены новые методы анализа паттернов,описанные в разделе 2 для исследования неоднородности инновационногоразвития.
В качестве входных данных выступают показатели, применяемые длярасчѐта Глобального индекса инноваций, описанного в разделе 1, мировые19данные образования и патентной активности, а также показатели, используемыепри формировании Индекса инновативности.В подразделе 3.1 исследуются входные показатели Глобального индексаинноваций 2012-2015гг.
Приведем пример полученного паттерна.1-2014Moldova, Republic of100Switzerland8060The Former YugoslavRepublic of Macedonia40Turkey200United KingdomInstHumanCap&RInfrMSBSGIIРисунок 2. Кусочно-линейные функции паттерна 1-2014. 5 стран.В подразделе 3.2 исследуются выходные показатели Глобальногоиндекса инноваций. Всего рассматриваются 6 показателей, на основе которыхстроятся кусочно-линейные функции.В подразделе 3.3 исследованы данные образования и патентнойактивности 37 различных стран. При исследовании используется системапоказателей, состоящей из 2 блоков:1.
Образовательныйпотенциалстраны,характеризующийсяколичественными соотношениями учеников начального и среднегообразования, студентов высшего образования, а также количестваучителей и профессорско-преподавательского состава;2. Патентнаяактивность,характеризующаясяколичественнымисоотношениями поданных и выданных заявок на патенты.В подразделе 3.4 исследуются показатели, входящие в Индексинновативности, описанный в разделе 1. На основе данных показателейпостроены характеризующие их паттерны.20В подразделе 3.5 приведены численные расчѐты предложенных индексовнеоднородности инновационного развития. Приведем пример одного из них.Основываясь на результатах, полученных на базе входных показателейГлобального индекса инноваций за 2015 год: всего исследовалась 141 страна,получено 30 паттернов, 16 стран характеризуются уникальными кусочнолинейнымифункциями.Такимобразом,порядково-инвариантныйинновационный индекс рассчитывается какФактически, рассчитанный выше индекс дает общее представление околичественном различии внутренних структур исследуемых объектов.
Какописано в разделе 1, основные подходы к измерению инноваций предполагаютагрегирование некоторого количества показателей к одному конкретномуиндексу,позволяющемуоценитьуровеньинновационногоразвитиястраны/региона. Предложенные в работе индексы позволяют дать общуюоценку неоднородности всей исследуемой системы.В 2014 году всего исследовалась 143 стран, получено 26 паттернов, 21страна характеризуются уникальными кусочно-линейными функциями. Такимобразом,Л.М. Гохбергом и В.В. Поляковой в отчете GII2014 указывалось, чтотрудно найти унифицированный подход к оценке взаимосвязей междусоциальными ценностями, навыками и инновациями, а также разработкеполитики, направленной на укрепление общественного доверия.
Схожую идеювысказал генеральный директор Всемирной организации интеллектуальнойсобственности Ф.Гарри: «каждый народ должен найти правильное сочетаниеполитики, направленной на мобилизацию врожденного инновационного итворческого потенциала в своих странах».21Предложенныеиндексымогутиспользоватьсявкачестведополнительного метода оценки качества инновационного развития нанациональном уровне. К примеру, в работе использованы новые методыанализа паттернов для исследования входных данных Индекса инновативности(методика Независимого института социальной политики). На базе полученныхрезультатов можно исследовать не только неоднородность инновационногоразвития на территории РФ, но и определять, насколько однороден каждыйадминистративный округ с точки зрения исследуемых показателей, чтопозволяет, в случае необходимости, давать практические рекомендации повыбору инновационной стратегии.ВЗаключенииприведеныосновныерезультаты,полученныевдиссертационной работе:1.Проведѐн обзор основных подходов к измерению инновационногоразвития различных территориальных субъектов;2.Проведѐнанализсуществующихметодикрасчѐтаиндексовинновационного развития;3.Проанализированыиспользуемыедлярасчѐтаиндексовинновационного развития показатели;4.Предложена новая ординальная парно-сопоставительная модельвыявления паттернов, реализуемая в виде 3 новых методов анализа паттернов;5.Предложены новые методы анализа паттернов: «порядково-фиксированная,порядково-инвариантнаяидиффузионно-инвариантнаяпаттерн-кластеризации», описаны их основные свойства;6.Работа предложенных в работе методов продемонстрирована наклассических данных «Anderson-Fisher Iris Data» и «Balance Scale Data Set»;7.Предложены численные методы расчета индексов неоднородностиинновационного развития, основанных на новых методах анализа паттернов;8.Проанализированы данные Глобального индекса инноваций за2012-2015гг;229.Проведен анализ паттернов c использованием агрегированныхпоказателей Глобального индекса инноваций;10.Проведенычисленныерасчетыиндексовнеоднородностиинновационного развития на базе данных Глобального индекса инноваций.Основные результаты по теме диссертации изложены в 10 печатныхпубликациях, 5 из которых входят в список ВАК.
Также получено 1свидетельство на программу ЭВМ.Работы,опубликованныеавторомвведущихрецензируемыхнаучных изданиях и журналах, рекомендованных ВАК:1.Pattern Analysis in the Study of Science, Education and InnovativeActivity in Russian Regions / F.T. Aleskerov, L.M. Gokhverg, A.L. Myachin, et al.//Procedia Computer Science. – 2013. – Vol.17. – P. 687-694 – 0,5 п.л. (личныйвклад 0,1 п.л.);2.Myachin, A.
Analysis of global data education and patent activity usingnew methods of pattern analysis / A. Myachin // Procedia Computer Science. – 2014.– N 31. – P. 468-473 – 0,4 п.л.;3.A Method of Static and Dynamic Pattern Analysis of InnovativeDevelopment of Russian Regions in the Long Run, in: Springer Proceedings inMathematics and Statistics / F.T. Aleskerov, L.M. Gokhberg, A.L. Myachin, et al.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
