Информационные модели на основе нелинейных преобразований признакового пространства в задачах распознавания

Аннотация

Актуальность и востребованность темы диссертации. Использование цифровых технологий является локомотивом повышения эффективности производства товаров и услуг в мире. Большая роль в развитии этих технологий отводится методам искусственного интеллекта (ИИ). Значительная часть методов ИИ применяется для интеллектуального анализа данных (ИАД). Скрытые закономерности, извлекаемые из данных с помощью ИАД, является новыми знаниями в информационных моделях, в рамках которых обосновывается процесс принятия решений для слабо структурированных предметных областей. Мировая практика свидетельствует, что большая часть усилий построения информационных моделей в слабо структурированных предметных областях становятся неэффективными из-за большой размерности признакового пространства и высокой комбинаторной сложности алгоритмов для поиска логических закономерностей. Продолжается исследование проблемы поиска информативных наборов признаков и подмножества объектов обучения, которые обладают лучшим качеством в смысле решения задач распознавания чем исходные множества признаков и объектов. Одним из путей повышения качества систем распознавания является синтез латентных признаков для описания объектов путём нелинейного отображения определяемых наборов признаков на числовую ось. Повышение точности алгоритмов классификации, извлечение скрытых закономерностей из баз (хранилищ) данных определяет актуальность данного исследования. В нашей стране в годы независимости большое внимание уделяется научным направлениям, имеющим фундаментальное и прикладное значение. В частности, если в задачах приобретения знаний подразумевается, что представление знаний является заданными априори и нужно лишь построить систему в рамках этих представлений, то в задачах метаобучения ставится вопрос об автоматическом представлении самих представлений, детали которых могут сильно меняться в зависимости от предметной области. Решение задач метаобучения необходимо для снятия следующего ограничения для машинных систем - их способности функционировать только в узкой предметной области. На основе Стратегии Действий по развитию Республики Узбекистан особенно большое значение приобретают эффективные механизмы внедрения научных и инновационных достижений в целях повышения эффективности в сфере экономики страны. Эта диссертация, в определенной степени, служит осуществлению задач, обозначенных в Постановлениях Президента Республики Узбекистан №-ПП-916 «О дополнительных мерах по стимулированию внедрения инновационных проектов и технологий в производство» от 15 июля 2008 года, №-ПП-2789 «О мерах по дальнейшему совершенствованию деятельности Академии наук, организации, управления и финансирования научно-исследовательской деятельности» от 17 февраля 2017 года и №-УП- 4947 «О стратегии действий по дальнейшему развитию Республики Узбекистан» от 8 февраля 2017 года а также в других нормативно-правовых актах по данной деятельности. Целью исследования. Совершенствование критериев и методов искусственного интеллекта на основе нелинейных преобразований признакового пространства в задачах распознавания образов. Научная новизна исследования заключается следующем: Совершенствован метод формирования нелинейных решающих правил на основе обучающих выборок данных; описана методика сравнения результатов визуализации на основе критерия компактности. Значения компактности определяются по результатам разбиения объектов каждого класса на минимальное число непересекающихся групп; получена оценка сложности алгоритма разбиения значений количественных признаков на непересекающиеся интервалы: с учетом пропусков и повторяющихся значений; с учётом и без учёта предобработки данных; доказано повышение обобщающей способности алгоритма ближайший сосед при переходе от исходного описания объектов в пространство из латентных признаков; показано, что при иерархической агломеративной группировке признаков и нелинейном отображении их на числовую ось формируются наборы латентных признаков, упорядоченные по отношению их информативности. Заключение Разработка и обоснование методов интеллектуального анализа для информационных моделей, основанных на знаниях, является актуальным направлением научных исследований. Отношения между объектами на многообразиях структур признаков исследуются с помощью нелинейных преобразований пространства с использованием методов кластерного анализа. Цель нелинейных преобразований выражается в стремлении к идеальной компактности объектов из непересекающихся классов. Интерпретация компактности в терминах нечётной логики используется для поиска скрытых закономерностей в базах данных. Основные результаты, полученные в данной работе: 1. Разработаны правила для иерархической группировки признаков, используемые для линейного отображения разнотипных признаков на числовую существенные различия между линейным и нелинейным отображением. С помощью предложенных правил удалась существенно сократить размерность исходного признакового пространства; 2. Предложены способы предобработки данных для вычисления оптимальных границ интервалов. При поиске границ используется проверка истинности гипотезы «В границах каждого интервала лежат значения признаков в описании объектов одного класса». Определена оценка агломеративной и нелинейного ось. Описаны сложности алгоритмов для поиска при наличии повторяющихся значений и пропусков в данных. Значения границ интервалов использовались в правилах иерархической агломеративной группировки для вычисления устойчивости объектов по группе признаков и включения признака в нелинейную комбинацию; 3. Предложен способ оценки компактности обучающей выборки с множеством допустимых значений в (0, 1]. С помощью вычислительного эксперимента доказано, что при нелинейном преобразованием признаков компактность выше чем при линейном и в исходном пространстве из «сырых» признаков. Показано, что оценка компактности имеет связь с показателями обобщающей способности алгоритмов; 4. Нелинейное преобразование признаков было использовано для вывода аналитического представления решающих правил. Латентные признаки на основе этого преобразования были упорядочены по отношению информативности в процессе реализации иерархического агломеративного алгоритма; 5. Построены две информационные модели для диагностики рака и мониторинга засоленности орошаемых земель. В рамках моделей определены шумовые объекты обучающих выборок. Эффект от удаления шумовых объектов показан с помощью оценок компактности классов и выборки в целом