Использование принципа линейной нормальной классификации объектов в многомерных пространствах признаков для построения классификаторов в случае множеств сложной структуры. Построение алгоритма проверки включения заданной точки пространства в множество.
При низкой оригинальности работы "Построение сложных классификаторов для объектов в многомерных пространствах", Вы можете повысить уникальность этой работы до 80-100%
Построение сложных классификаторов для объектов в многомерных пространствахАлгоритм проверки включения заданной точки пространства в множество с использованием ИНК, содержащего слоев, в каждом из которых (с номером s) хранится гиперплоскостей , заключается в том, что производится перебор по всем слоям s ИНК от 1 до . ИНК каждого множества предложено определять путем его разделения с остальными множествами. Поскольку с точки зрения включения точек в все другие множества одинаковы, то после объединения их можно считать одним множеством. Нормальную по отношению к межосевому вектору гиперплоскость, которая отделяет все точки из и не содержит точек из , назовем отсекающей для множества , а подмножество - отсекаемым. Изучение оптимальных решений задачи бинарной кластеризации множеств показывает, что в получаемых оптимальных подмножествах всегда присутствуют по одной точке из какой-либо или из нескольких пар максимально удаленных точек.
Список литературы
1. Н.И. Гданский, А.М. Крашенинников. Бинарная кластеризация объектов в многомерных пространствах признаков [Текст] // Труды Социологического конгресса. РГСУ. 2012. 94-98 с.
2. Н.И. Гданский, М.Л. Рысин, А.М. Крашенинников, Линейная классификация объектов с использованием нормальных гиперплоскостей [Электронный ресурс] // «Инженерный вестник Дона», 2012, №4. Режим доступа: http://ivdon.ru/magazine/archive/n4p1y2012/1324 (доступ свободный). Загл. С экрана. Яз. рус.
3. Н.И. Гданский, А.В. Карпов, А.А. Бугаенко. Оптимальное интерполирование типовых динамик в задаче управления с прогнозированием [Электронный ресурс] // «Инженерный вестник Дона», 2012, №3. Режим доступа: http://ivdon.ru/magazine/archive/n3y2012/936 (доступ свободный). Загл. С экрана. Яз. рус.
4. Л. Г. Комарцова, А. В. Максимов. Нейрокомпьютеры // Изд-во МГТУ им. Н.Э. Баумана, 2002. С. 320.
5. Н.И. Гданский, А.М. Крашенинников. Сравнение эффективности методов бинарной кластеризации множество точек-прецендентов [Текст] // Математический методы и приложения: Труды двадцать вторых математических чтений РГСУ. АПКИППРО. 2013. 59-67 с.
6. Л.Н. Ясницкий. Введение в искусственный интеллект. 1-е. // Издательский центр «Академия», 2005. С. 176.
7. Н.И. Гданский, М.Л. Рысин, А.М. Крашенинников. Применение современных информационных технологий в учебном процессе высшей школы [Текст]: монография // Изд-во РГСУ, 2012, ISBN 978-5-905675-31-7. С. 150.
8. Н.И. Гданский, А.М. Крашенинников, Е. А. Слюсарев. Использование геометрического подхода при построении классификаторов в системах искусственного интеллекта [Текст] // Математическое моделирование в проблемах рационального природопользования. Сборник научных трудов Всероссийской молодежной конференции. РГСУ. 2012. с. 36-43.
9. Structure of Decision. The Cognitive Maps of Political Elites // Ed. by R. Axelrod. Princeton: Princeton University Press, 1976. 405 p.
10. Shapiro M.J., Bonham G.M. Cognitive processes and foreign policy decision-making // International Studies Quarterly. 1973. P. 147-174.
Размещено на .ru
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
