_учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005) (1185318), страница 27
Текст из файла (страница 27)
дерево бинарное корневое 31
- методов проекта 132
- решающее 31
доверительный интервал 95
доверительное оценивание 95
жадный подход 72
задача автоматической классификации 56
- группировки 56
- идентификации 14
- классификации с учителем 14
- кластеризации 56
- обучения без учителя 56
- полная 50
- прогноза 14
- распознавания 14
- самообучения 56
- таксономии 56
замыкание множества алгоритмов алгебраическое 50
- - - линейное 50
иерархическая группировка 61, 100
индекс нестабильности 76
информационный вес признака 35, 40, 72, 97
- объекта 40
информационная матрица 48
информационные матрицы эквивалентные 63
информационный вектор объекта 48
информация исходная (начальная) 13, 48
итеративная оптимизация 102
класс объектов 14, 16,
классификатор байесовский 17
классификация «мягкая» 82
кластер 56
кластеров оптимальное число 102
контроль качества распознавания 94
комитетный синтез 62, 64
комитетные методы 90
коррекция весов 88
коэффициент детерминированности функции 46
- инерционности 89
- эффективности распознавания 77
критерии кластеризации 57
линейная машина 78
- разделяющая поверхность 21
линейный дискриминант Фишера 20, 80
логическая корреляция признаков 98
логический корректор 52
логические закономерности классов 69
- - - статистически значимые 71
логические описания классов 73
- - - кратчайшие 73
- - - минимальные 73
матрица внутригруппового рассеяния 57
- контрастная 64
- оценок 49, 63
- рассеяния 57
- сравнения 34
метод Байеса 91
- видео-логический 65
- Вудса 92
- 
-ближайших соседей 18, 82
« - внутригрупповых средних 58, 101
- комитетов 23
- локальной оптимизации 102
- обобщенный портрет 25, 85
- опорных векторов 84
- потенциальных функций 25
- статистически взвешенных синдромов 74
- Форель 58
минимальная доля объектов 70
минимизация признакового пространства 96
многослойные нейронные сети 28
многослойный перцептрон 87
модель нейрона 28
монотонный логический корректор 52
нейроны внутренние 27
- реагирующие 27
нейросетевые модели распознавания 27
неустойчивость алгоритма распознавания 54
области компетенции 92
обработка неполных данных 72
обучение 26
- нейронной сети 88
обучения скорость 89
опорные множества алгоритма 38
опорный вектор 86
- эталон 70
оптимизация параметрической модели распознавания 43
осторожный подход 72
отказ от классификации (распознавания) 16
оценка объекта за класс 34, 40, 72, 76, 68
перенастройка алгоритмов 53
перестановочный тест 71
плоскость обобщенных признаков 103
поиск оптимального покрытия 59
- - разбиения 57
- структур в данных 61
полином скалярного произведения 87
пороги близости (точности измерения) признаков 67
правило коррекции 26
представительный набор 36
- - тупиковый 36
прецедент 2
- частичный 34
признак 2, 14
- бинарный 15
- к-значный 15
- числовой 15
- номинальный 145
признаковое описание 15
признаковый предикат 31
прогнозирование временных рядов 105
прогностической силы функционал 76
прочерков обработка 72
разделяющая гиперплоскость 21, 80
- поверхность полиномиальная 25
- - нелинейная 86
распознавание 14, 48
распознающий оператор 49
расстояние между группами объектов 61
регуляризация матрицы внутриклассового разброса 81
релаксационная последовательность 79
рецептор 27, 88
решающее дерево 31
- правило 40, 49
- - корректное 50
ридж-оценивание матрицы разброса 81
риск эмпирический 44
сигмоид 88
синапс 28
синдромы 46, 74
сортировка логических закономерностей 74
стандартный функционал качества распознавания 44
статистическое взвешенное голосование 45
сумматор 63
таблица обучения 16
- контрольная 43
тест 34
- перестановочный 71
- тупиковый 34
уровень значимости 95
- - логической закономерности 71
формула Байеса 17
функция активационная 27
- сигмоида 28
- близости 38
- ядровая 86
шаблоны принятия решений 93
СОДЕРЖАНИЕ
| ВВЕДЕНИЕ ……………………………………………………………………………… Глава1. Математические методы распознавания (классификации с учителем) и прогноза..………………………………………………………………………………… 1.1. Задачи распознавания или классификации с учителем…………………………... 1.2. Алгоритмы распознавания по прецедентам (классификация с учителем) ……... 1.2.1. Статистические алгоритмы распознавания……………………………………... 1.2.2. Алгоритмы распознавания, основанные на построении разделяющих …поверхностей………………………………………………………………………….. 1.2.3. Метод потенциальных функций…………………………………………………. 1.2.4. Нейросетевые модели распознавания…………………………………………… 1.2.5. Решающие деревья………………………………………………………………... 1.3. Алгоритмы распознавания, основанные на принципе частичной прецедентности………………………………………………………………………….. 1.3.1. Тестовый алгоритм……………………………………………………………….. 1.3.2. Алгоритмы распознавания с представительными наборами…………………... 1.3.3. Алгоритмы распознавания, основанные на вычислении оценок……………… 1.3.4. Оптимизация многопараметрических моделей распознавания……………….. 1.3.5. Статистическое взвешенное голосование………………………………………. 1.4. Алгебраический подход для решения задач распознавания и прогноза……….. 1.4.1. Этапы развития теории распознавания и классификации по прецедентам….. 1.4.2. Алгебраическая коррекция множеств распознающих алгоритмов…………… 1.4.3. Логическая коррекция множеств распознающих алгоритмов………………… 1.4.4. Выпуклый стабилизатор………………………………………………………….. Глава2. Математические методы кластерного анализа (классификации без учителя)…………………………………………………………………………………… 2.1. Кластеризация, как задача поиска оптимального разбиения ……………………. 2.2. Кластеризация, как задача поиска оптимального покрытия……………………... 2.3. Кластеризация, как задача поиска структур в данных……………………………. 2.4. Решение задачи кластерного анализа коллективами алгоритмов ………………. Глава 3. Алгоритмы распознавания и интеллектуального анализа данных в системе РАСПРОЗНАВАНИЕ …………………………………………………………………… 3.1. Алгоритмы вычисления оценок …………………………………………………... 3.2. Голосование по тупиковым тестам ……………………………………………….. 3.3. Алгоритмы голосования по логическим закономерностям классов ……………. 3.4. Метод статистически взвешенных синдромов …………………………………… 3.5. Линейная машина …………………………………………………………………... 3.6. Линейный дискриминант Фишера ………………………………………………… 3.7. Mетод Q ближайших соседей ……………………………………………………… 3.8. Метод опорных векторов ………………………………………………………….. 3.9. Многослойный перцептрон ……………………………………………………….. 3.10. Методы решения задач распознавания коллективами алгоритмов ……………. 3.10.1. Комитетные методы …………………………………………………………….. 3.10.2. Метод Байеса ……………………………………………………………………. 3.10.3. Динамический метод Вудса и области компетенции ………………………… 3.10.4. Шаблоны принятия решений …………………………………………………… 3.11. Средства контроля качества распознавания……………………………………... 3.12. Минимизация признакового пространства в задачах распознавания …………. 3.13. Алгоритмы кластерного анализа ………………………………………………… 3.14. Визуализация многомерных данных …………………………………………….. 3.15. Использование методов распознавания при прогнозировании временных рядов……………………………………………………………………………………… Глава 4. Практические применения ………………………………………………… 4.1. Приложения в области бизнеса, экономики и финансов ………………………… 4.1.1. Оценка стоимости квартир………………………………………………………. 4.1.2. Оценка состояния предприятий кондитерской промышленности по комплексу финансовых показателей и структуре рабочего персонала ……………… 4.1.3. Подтверждение кредитных карточек ……………………………………………. 4.1.4. Кластеризация продукции автомобильного рынка …………………………….. 4.1.5. Оценка надежности клиента при выдаче кредита ……………………………… 4.1.6. Распознавание сортов вина……………………………………………………….. 4.2. Приложения в области медицины и здравоохранения …………………………... 4.2.1. Кластеризация возрастных распределений населения ………………………… 4.2.2. Прогноз результатов лечения остеогенной саркомы …………………………... 4.2.3. Прогноз динамики депрессивных синдромов…………………………………... 4.2.4. Диагностика инсульта ……………………………………………………………. 4.2.5. Задача прогноза результатов лечения рака мочевого пузыря …………………. 4.2.6. Прогноз диабета …………………………………………………………………... 4.2.7. Диагностика рака груди и распознавание меланомы …………………………... 4.2.8. Распознавание сужения сердечных сосудов…………………………………….. 4.3. Приложения в области техники …………………………………………………… 4.3.1. Диагностика состояний нефтепромыслового оборудования в отношении солеобразования ………………………………………………………………………… 4.3.2. Контроль состояния технических устройств……………………………………. 4.4. Приложения в области сельского и лесного хозяйства ………………………….. 4.4.1. Прогноз урожайности сельскохозяйственных культур ………………………... 4.4.2. Обработка материалов многозональной съемки с целью определения преобладающих пород ………………………………………………………………….. 4.5. Приложения в области физики, химии, биологии ………………………………... 4.5.1. Распознавание радиосигналов……………………………………………………. 4.5.2. Прогноз свойств твердых сплавов стали ………………………………………... 4.5.3. Распознавание мест локализации протеина …………………………………….. 4.5.4. Прогноз свойств новых неорганических соединений ………………………….. 4.5. Приложения в области обработки и распознавания изображений ……………… 4.5.1. Распознавание изображений автомобилей ……………………………………… 4.5.2. Распознавание рукописных цифр ……………………………………………….. Глава 5. Описание программного продукта …………………………………………… 5.1. Описание графической оболочки …………………………………………………. 5.1.1. Главное окно ……………………………………………………………………… 5.1.2. Главное меню …………………………………………………………………….. 5.1.3. Окно проекта………………………………………………………………………. 5.1.4. Метод распознавания (эксперт) …………………………………………………. 5.1.5. Метод кластеризации …………………………………………………………….. 5.2. Ввод и предобработка данных ……………………………………………………... 5.2.1. Количественные признаки ……………………………………………………….. 5.2.2. Обработка номинальных признаков …………………………………………….. 5.2.3. Неизвестные значения ……………………………………………………………. 5.2.4. Замена главной выборки …………………………………………………………. 5.2.5. Классообразующий признак …………………………………………………….. 5.3. Структура программы ……………………………………………………………… Литература ……………………………………………………………………………….. Предметный указатель ………………………………………………………………….. Содержание………………………………………………………………………………. | 2 14 14 17 17 21 25 27 30 33 34 36 38 42 45 46 46 48 51 53 56 57 59 61 62 67 67 67 69 74 78 80 82 83 87 89 90 91 92 93 94 96 100 103 105 107 107 108 108 109 110 111 111 111 111 112 113 113 114 114 115 117 117 117 119 119 119 120 120 120 121 121 122 124 124 125 126 126 126 127 131 136 144 144 145 145 145 145 146 146 148 153 157 |
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
