_учебник_ Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения (2005) (1185319), страница 30
Текст из файла (страница 30)
- 46 p.69. Kuncheva L.I. Combining Pattern Classifiers: Methods and Algorithms, Wiley, 2004.70. Kuznetsova A.V., Sen’ko O.V., Matchak G.N., Vakhotsky V.V., Zabotina T.N., KorotkovaO.V. The Prognosis of Survivance in Solid Tumor Patients Based on Optimal Partitions ofImmunological Parameters Ranges, Journal Theoretical Medicine, 2000, Vol. 2, pp.317-327.71. Larin S.B., Ryazanov V.V. The Search of Precedent-Based Logical Regularities forRecognition and Data Analysis Problems // Pattern Recognition and Image Analysis. 1997.Vol.7.
no.3. P.322-333.72. Mangasarian O. L., Wolberg W.H.: "Cancer diagnosis via linear programming", SIAMNews, Volume 23, Number 5, September 1990, pp 1 - 18.73. Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry (MIT Press,Cambridge, Mass., 1969). Русский перевод : Перцептроны, М., «Мир», 1971.74. Neyman J., Pearson E.S. On the problem of the most efficient tests of statistical hypothesis,75. Nilsson N.J. Learning Machines (McGraw-Hill, New York, 1965). Русский перевод:Обучающие машины, М., «Мир», 1967.Phill. Trans.
Royal Soc. London, 231, 289-337 (1933).76. Ryazanov V.V., Recognition Algorithms Based on Local Optimality Criteria , PatternRecognition and Image Analysis. 1994. Vol.4. no.2. pp. 98-109.77. Ryazanov V.V. About some approach for automatic knowledge extraction from precendentdata//Proceedingsofthe7thinternationalconference"Patternrecognition and image processing", Minsk, May 21-23, 2003, vol. 2, pp.35-40.78. Ryazanov V.V., Senko O.V., and Zhuravlev Yu. I.. Methods of recognition and predictionbased on voting procedures.// Pattern Recognition and Image Analysis, Vol. 9, No. 4, 1999,p.713—718.79.
Ryazanov V.V. One approach for classification (taxonomy) problem solution by sets ofheuristic algorithms, Proceedings of the 9-th Scandinavian Conference on Image Analysis,Uppsala, Sweden, 6-9 June 1995, Vol.2, P.997-1002.80. Ryazanov V.V., Sen'ko O.V., Zhuravlev Yu.I., Mathematical Methods for PatternRecognition : Logical, Optimization, Algebraic Approaches Proceedings of the 14thInternational Conference on Pattern Recognition.
Brisbane, Australia, August 1998, pp. 831-834.81. Ryazanov V.V.,Vorontchikhin V.A. Discrete Approach for Automatic Knowledge Extractionfrom Precedent Large-scale Data, and Classification Proceedings of the 16th InternationalConference on Pattern Recognition. Quebec, Canada, 2002, 11-15 August , 188-191.82. Ryazanov V.V. On the Optimization of a Class of Recognition Models// Pattern Recognitionand Image Analysis. 1991.
Vol.1. No.1. P.108-118.15283. Sigillito, V. G., Wing, S. P., Hutton, L. V., \& Baker, K. B. (1989). Classification of radarreturns from the ionosphere using neural networks. Johns Hopkins APL Technical Digest, 10,262-26684. Vetrov D.P. On the Stability of the Pattern Recogntion Algorithms.
// Pattern Recognitionand Image Analysis, Vol.13, No.3, 2003, pp.470-475.85. Wald A. Contributions to the theory of statistical estimation and testing of hypotheses,Ann.Math.Stat.,10, 299-326 (1939).153Предметный указатель─аксон 28алгоритм корректный 48, 49- обратного распространения ошибки 88- распознавания 16- кластеризации 63- «ближайший сосед» 82- «Q ближайших соседей» 82- тестовый 34, 67алгоритмы вычисления оценок 33, 38, 67- голосования 33, 67- обобщенного портрета 25- частичной прецедентности 33- распознавания статистические 17- с представительными наборами 36визуализация многомерных данных 103выпуклый стабилизатор 53гауссиана 87голос 35дерево бинарное корневое 31- методов проекта 132- решающее 31доверительный интервал 95доверительное оценивание 95жадный подход 72задача 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 56замыкание множества алгоритмов алгебраическое 50- - - линейное 50иерархическая группировка 61, 100индекс нестабильности 76информационный вес признака 35, 40, 72, 97- объекта 40информационная матрица 48информационные матрицы эквивалентные 63информационный вектор объекта 48154информация исходная (начальная) 13, 48итеративная оптимизация 102класс объектов 14, 16,классификатор байесовский 17классификация «мягкая» 82кластер 56кластеров оптимальное число 102контроль качества распознавания 94комитетный синтез 62, 64комитетные методы 90коррекция весов 88коэффициент детерминированности функции 46- инерционности 89- эффективности распознавания 77критерии кластеризации 57линейная машина 78- разделяющая поверхность 21линейный дискриминант Фишера 20, 80логическая корреляция признаков 98логический корректор 52логические закономерности классов 69- - - статистически значимые 71логические описания классов 73- - - кратчайшие 73- - - минимальные 73матрица внутригруппового рассеяния 57- контрастная 64- оценок 49, 63- рассеяния 57- сравнения 34метод Байеса 91- видео-логический 65- Вудса 92- k -ближайших соседей 18, 82« k - внутригрупповых средних 58, 101- комитетов 23- локальной оптимизации 102- обобщенный портрет 25, 85- опорных векторов 84- потенциальных функций 25- статистически взвешенных синдромов 74- Форель 58минимальная доля объектов 70минимизация признакового пространства 96многослойные нейронные сети 28многослойный перцептрон 87модель нейрона 28монотонный логический корректор 52155нейроны внутренние 27- реагирующие 27нейросетевые модели распознавания 27неустойчивость алгоритма распознавания 54области компетенции 92обработка неполных данных 72обучение 26- нейронной сети 88обучения скорость 89опорные множества алгоритма 38опорный вектор 86- эталон 70оптимизация параметрической модели распознавания 43осторожный подход 72отказ от классификации (распознавания) 16оценка объекта за класс 34, 40, 72, 76, 68перенастройка алгоритмов 53перестановочный тест 71плоскость обобщенных признаков 103поиск оптимального покрытия 59- - разбиения 57- структур в данных 61полином скалярного произведения 87пороги близости (точности измерения) признаков 67правило коррекции 26представительный набор 36- - тупиковый 36прецедент 2- частичный 34признак 2, 14- бинарный 15- к-значный 15- числовой 15- номинальный 145признаковое описание 15признаковый предикат 31прогнозирование временных рядов 105прогностической силы функционал 76прочерков обработка 72разделяющая гиперплоскость 21, 80- поверхность полиномиальная 25- - нелинейная 86распознавание 14, 48распознающий оператор 49расстояние между группами объектов 61регуляризация матрицы внутриклассового разброса 81релаксационная последовательность 79156рецептор 27, 88решающее дерево 31- правило 40, 49- - корректное 50ридж-оценивание матрицы разброса 81риск эмпирический 44сигмоид 88синапс 28синдромы 46, 74сортировка логических закономерностей 74стандартный функционал качества распознавания 44статистическое взвешенное голосование 45сумматор 63таблица обучения 16- контрольная 43тест 34- перестановочный 71- тупиковый 34уровень значимости 95- - логической закономерности 71формула Байеса 17функция активационная 27- сигмоида 28- близости 38- ядровая 86шаблоны принятия решений 93157СОДЕРЖАНИЕВВЕДЕНИЕ ………………………………………………………………………………Глава1.
Математические методы распознавания (классификации с учителем) ипрогноза..…………………………………………………………………………………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 частичнойпрецедентности…………………………………………………………………………..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.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
