МЕТОД ВЫДЕЛЕНИЯ ЗНАЧИМЫХ ДАННЫХ НА ИЗОБРАЖЕНИЯХ ИЗОХРОМНЫХ ЛИНИЙ ДЛЯ СИСТЕМ БЕСКОНТАКТНОГО ИЗМЕРЕНИЯ ВНУТРИГЛАЗНОГО ДАВЛЕНИЯ
МЕТОД ВЫДЕЛЕНИЯ ЗНАЧИМЫХ ДАННЫХ НА ИЗОБРАЖЕНИЯХ ИЗОХРОМНЫХ ЛИНИЙ ДЛЯ СИСТЕМ БЕСКОНТАКТНОГО ИЗМЕРЕНИЯ ВНУТРИГЛАЗНОГО ДАВЛЕНИЯ
Авторы: Наталия Белоус, Виктор Борисенко, Виктор Левыкин, Дмитрий Макивский, Анна Зайцева
Аннотация: Глаукома – это болезнь глаза, причиной которой является повышение внутриглазного давления. Если глазное давление при глаукоме вовремя не снизить до нормы, может погибнуть зрительный нерв, что приведет к необратимой слепоте. На сегодняшний деньпредложен принципиально новый способ измерения внутриглазного давления, базирующийся на обследовании роговицы глаза человека в поляризованном свете, что позволяет видеть на ней специфическую интерференционную картину. В работе авторами предлагается метод, позволяющий провести распознавание изображения глаза человека, отснятого в поляризованном свете, и выделить на исходном изображении данные, необходимые для разработки системы бесконтактного измерения внутриглазного давления. Проведенный анализ показал, что на сегодняшний день не существует аналогов реализации данного метода. Программная реализация метода позволит разработать программно-аппаратный комплекс, на порядок превосходящий существующие аналоги по стоимости и простоте исполнения, а также бесконтактно, быстро и точно измерять внутриглазное давление.
Ключевые слова: Внутриглазное давление, глаукома, диагностика, распознавание изображения, обработка изображения, изохрома, изоклина.
ACM Classification Keywords: I.5 Pattern Recognition, I.5.2 Design Methodology — Feature evaluation and selection.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Сегодня при неизменных темпах роста науки и техники общество не может обходиться без компьютерной техники. Согласно данным Мировой организации здравоохранения, нагрузка на глаза человека выросла в 100 раз в 2000 году по сравнению с 1900 годом.
( Читать дальше )
Авторы: Наталия Белоус, Виктор Борисенко, Виктор Левыкин, Дмитрий Макивский, Анна Зайцева
Аннотация: Глаукома – это болезнь глаза, причиной которой является повышение внутриглазного давления. Если глазное давление при глаукоме вовремя не снизить до нормы, может погибнуть зрительный нерв, что приведет к необратимой слепоте. На сегодняшний деньпредложен принципиально новый способ измерения внутриглазного давления, базирующийся на обследовании роговицы глаза человека в поляризованном свете, что позволяет видеть на ней специфическую интерференционную картину. В работе авторами предлагается метод, позволяющий провести распознавание изображения глаза человека, отснятого в поляризованном свете, и выделить на исходном изображении данные, необходимые для разработки системы бесконтактного измерения внутриглазного давления. Проведенный анализ показал, что на сегодняшний день не существует аналогов реализации данного метода. Программная реализация метода позволит разработать программно-аппаратный комплекс, на порядок превосходящий существующие аналоги по стоимости и простоте исполнения, а также бесконтактно, быстро и точно измерять внутриглазное давление.
Ключевые слова: Внутриглазное давление, глаукома, диагностика, распознавание изображения, обработка изображения, изохрома, изоклина.
ACM Classification Keywords: I.5 Pattern Recognition, I.5.2 Design Methodology — Feature evaluation and selection.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Сегодня при неизменных темпах роста науки и техники общество не может обходиться без компьютерной техники. Согласно данным Мировой организации здравоохранения, нагрузка на глаза человека выросла в 100 раз в 2000 году по сравнению с 1900 годом.
( Читать дальше )
- +2
- 20 ноября 2009, 16:19
- комментировать
ОЦЕНИВАНИЕ РИСКА РЕГРЕССИОННОЙ МОДЕЛИ В СЛУЧАЕ НЕИЗВЕСТНОГО РАСПРЕДЕЛЕНИЯ
ОЦЕНИВАНИЕ РИСКА РЕГРЕССИОННОЙ МОДЕЛИ В СЛУЧАЕ НЕИЗВЕСТНОГО РАСПРЕДЕЛЕНИЯ
Авторы: Татьяна Ступина, Виктор Неделько
Аннотация: В данной работе поднимается достаточно актуальная проблема оценивания качества решения в условиях отсутствия информации о распределениях. Для задачи регрессионного анализа рассматривается альтернативная функция риска, построенная ранговым методом. Отражены положительные и отрицательные стороны такого подхода. Статистическим моделированием получены точечные оценки эмпирической функции риска, отражающие обоснованность применения рангового метода в условия «полной неопределённости».
Ключевые слова: функция риска, эмпирическая функция риска, ранговая регрессия, класс линейных решающих функций.
ACM Classification Keywords: G3 Вероятность и Статистика – Корреляционный и Регрессионный анализ.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Подход к обработке экспериментальных данных зависит от специфики конкретной области и конечной цели, которая ставится в задаче. В различных областях знаний, целью которых является обнаружение причинно-следственных связей, могут быть использованы одинаковые методы не всегда приводящие к удовлетворительному решению.
( Читать дальше )
Авторы: Татьяна Ступина, Виктор Неделько
Аннотация: В данной работе поднимается достаточно актуальная проблема оценивания качества решения в условиях отсутствия информации о распределениях. Для задачи регрессионного анализа рассматривается альтернативная функция риска, построенная ранговым методом. Отражены положительные и отрицательные стороны такого подхода. Статистическим моделированием получены точечные оценки эмпирической функции риска, отражающие обоснованность применения рангового метода в условия «полной неопределённости».
Ключевые слова: функция риска, эмпирическая функция риска, ранговая регрессия, класс линейных решающих функций.
ACM Classification Keywords: G3 Вероятность и Статистика – Корреляционный и Регрессионный анализ.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Подход к обработке экспериментальных данных зависит от специфики конкретной области и конечной цели, которая ставится в задаче. В различных областях знаний, целью которых является обнаружение причинно-следственных связей, могут быть использованы одинаковые методы не всегда приводящие к удовлетворительному решению.
( Читать дальше )
- +2
- 20 ноября 2009, 14:25
- комментировать
ВЫЯВЛЕНИЕ ФРАКТАЛОПОДОБНЫХ СТРУКТУР В ДНК-ПОСЛЕДОВАТЕЛЬНОСТЯХ
ВЫЯВЛЕНИЕ ФРАКТАЛОПОДОБНЫХ СТРУКТУР В ДНК-ПОСЛЕДОВАТЕЛЬНОСТЯХ
Авторы: Владимир Гусев, Любовь Мирошниченко, Надежда Чужанова
Аннотация: Разработан и реализован алгоритм выявления фракталоподобных структур в ДНК- последовательностях. Фрактальность трактуется как самоподобие, основанное на свойстве симметрии или комплементарной симметрии. Локальные фракталы интересны своей способностью аккумулировать множественные палиндромно-шпилечные структуры с потенциально возможными регуляторными функциями. Выявлены реальные случаи проявления фрактальности в различных геномах: от вирусов до человека. Рассмотрена возможность использования фракталоподобных структур в качестве маркеров, различающих близкие классы последовательностей.
Keywords: DNA sequences, fractal-like structures, repeated fragments, palindrome, complementary palindrome.
ACM Classification Keywords: J. Computer Applications – J.3 Life and medical sciences – Biology and genetics; I. Computing Methodologies- I.5 Pattern recognition – I.5.2. – Design methodology –Feature evaluation and selection.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Отдельные фрагменты ДНК характеризуются проявлениями самоподобия, основанного на свойстве симметрии или комплементарной симметрии. По ассоциации с работой [Mandelbrot, 1992], будем называть их локальными фракталами (при отсутствии искажений) или фракталоподобными структурами (при их наличии).
( Читать дальше )
Авторы: Владимир Гусев, Любовь Мирошниченко, Надежда Чужанова
Аннотация: Разработан и реализован алгоритм выявления фракталоподобных структур в ДНК- последовательностях. Фрактальность трактуется как самоподобие, основанное на свойстве симметрии или комплементарной симметрии. Локальные фракталы интересны своей способностью аккумулировать множественные палиндромно-шпилечные структуры с потенциально возможными регуляторными функциями. Выявлены реальные случаи проявления фрактальности в различных геномах: от вирусов до человека. Рассмотрена возможность использования фракталоподобных структур в качестве маркеров, различающих близкие классы последовательностей.
Keywords: DNA sequences, fractal-like structures, repeated fragments, palindrome, complementary palindrome.
ACM Classification Keywords: J. Computer Applications – J.3 Life and medical sciences – Biology and genetics; I. Computing Methodologies- I.5 Pattern recognition – I.5.2. – Design methodology –Feature evaluation and selection.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Отдельные фрагменты ДНК характеризуются проявлениями самоподобия, основанного на свойстве симметрии или комплементарной симметрии. По ассоциации с работой [Mandelbrot, 1992], будем называть их локальными фракталами (при отсутствии искажений) или фракталоподобными структурами (при их наличии).
( Читать дальше )
- +2
- 20 ноября 2009, 13:22
- комментировать
ИСПОЛЬЗОВАНИЕ FRIS-ФУНКЦИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ SDX
ИСПОЛЬЗОВАНИЕ FRIS-ФУНКЦИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ SDX
Авторы: Ирина Борисова, Николай Загоруйко
Аннотация: Рассматривается задача структуризации избыточного набора информации, выявления основных закономерностей, содержащихся в нем с помощью аппарата FRiS-функций. В результате решения этой задачи (задачи SDX) на основе исходного множества объектов строится его сокращенное описание в терминах классов и существенных признаков. Данное описание снабжено системой правил, позволяющих восстанавливать значения всех признаков на основе существенных и находить место новым объектам в системе построенных классов.
Ключевые слова: Распознавание образов, выбор признаков, натуральная классификация, функция конкурентного сходства.
ACM Classification Keywords: I.5.2. Pattern Recognition
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Формализация человеческой способности к анализу информации дает возможность частично наделять этой способностью искусственные объекты – компьютеры. Даже самые примитивные модели анализа данных, перенесенные на компьютеры, позволяют достигать значительных результатов, так как использование этих моделей позволяет машинам решать задачи, недоступные человеку из-за своей громоздкости и трудоемкости.
( Читать дальше )
Авторы: Ирина Борисова, Николай Загоруйко
Аннотация: Рассматривается задача структуризации избыточного набора информации, выявления основных закономерностей, содержащихся в нем с помощью аппарата FRiS-функций. В результате решения этой задачи (задачи SDX) на основе исходного множества объектов строится его сокращенное описание в терминах классов и существенных признаков. Данное описание снабжено системой правил, позволяющих восстанавливать значения всех признаков на основе существенных и находить место новым объектам в системе построенных классов.
Ключевые слова: Распознавание образов, выбор признаков, натуральная классификация, функция конкурентного сходства.
ACM Classification Keywords: I.5.2. Pattern Recognition
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Формализация человеческой способности к анализу информации дает возможность частично наделять этой способностью искусственные объекты – компьютеры. Даже самые примитивные модели анализа данных, перенесенные на компьютеры, позволяют достигать значительных результатов, так как использование этих моделей позволяет машинам решать задачи, недоступные человеку из-за своей громоздкости и трудоемкости.
( Читать дальше )
- +2
- 20 ноября 2009, 12:17
- комментировать
ОБ ОДНОЙ ЗАДАЧЕ РАСПОЗНАВАНИЯ ПОСЛЕДОВАТЕЛЬНОСТИ, ВКЛЮЧАЮЩЕЙ ПОВТОРЯЮЩИЙСЯ ВЕКТОР
ОБ ОДНОЙ ЗАДАЧЕ РАСПОЗНАВАНИЯ ПОСЛЕДОВАТЕЛЬНОСТИ, ВКЛЮЧАЮЩЕЙ ПОВТОРЯЮЩИЙСЯ ВЕКТОР
Авторы: Алексей Долгушев, Александр Кельманов
Аннотация: Рассматривается дискретная экстремальная задача, к которой сводится один из вариантов проблемы помехоустойчивого off-line распознавания векторных последовательностей, включающих в качестве элемента квазипериодически повторяющийся вектор евклидова пространства. Обоснован эффективный алгоритм решения задачи, гарантирующий оптимальность решения по критерию максимального правдоподобия в случае, когда помеха аддитивна и является гауссовской последовательностью независимых одинаково распределённых случайных величин.
Ключевые слова: помехоустойчивое распознавание, векторная последовательность, повторяющийся вектор, максимум правдоподобия, дискретная экстремальная задача, off-line алгоритм.
ACM Classification Keywords: F.2. Analysis of Algorithms and Problem Complexity, G.1.6. Optimization, G2. Discrete Mathematics, I.5. Pattern Recognition.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Объект исследования работы – проблемы оптимизации в задачах анализа данных и распознавания образов. Предмет исследования – дискретная экстремальная задача, к которой сводится один из вариантов проблемы помехоустойчивого off-line распознавания векторной последовательности, как последовательности, включающей квазипериодически повторяющийся вектор, совпадающий с некоторым вектором из заданного алфавита векторов евклидова пространства.
( Читать дальше )
Авторы: Алексей Долгушев, Александр Кельманов
Аннотация: Рассматривается дискретная экстремальная задача, к которой сводится один из вариантов проблемы помехоустойчивого off-line распознавания векторных последовательностей, включающих в качестве элемента квазипериодически повторяющийся вектор евклидова пространства. Обоснован эффективный алгоритм решения задачи, гарантирующий оптимальность решения по критерию максимального правдоподобия в случае, когда помеха аддитивна и является гауссовской последовательностью независимых одинаково распределённых случайных величин.
Ключевые слова: помехоустойчивое распознавание, векторная последовательность, повторяющийся вектор, максимум правдоподобия, дискретная экстремальная задача, off-line алгоритм.
ACM Classification Keywords: F.2. Analysis of Algorithms and Problem Complexity, G.1.6. Optimization, G2. Discrete Mathematics, I.5. Pattern Recognition.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Объект исследования работы – проблемы оптимизации в задачах анализа данных и распознавания образов. Предмет исследования – дискретная экстремальная задача, к которой сводится один из вариантов проблемы помехоустойчивого off-line распознавания векторной последовательности, как последовательности, включающей квазипериодически повторяющийся вектор, совпадающий с некоторым вектором из заданного алфавита векторов евклидова пространства.
( Читать дальше )
- +2
- 20 ноября 2009, 11:51
- комментировать
ПОСТРОЕНИЕ ЛОГИКО-ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ С ИСПОЛЬЗОВАНИЕМ ЦЕПЕЙ МАРКОВА
ПОСТРОЕНИЕ ЛОГИКО-ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ С ИСПОЛЬЗОВАНИЕМ ЦЕПЕЙ МАРКОВА
Авторы: Светлана Неделько
Abstract: The method of logic and probabilistic models constructing for multivariate heterogeneous time series is offered. There are some important properties of these models, e.g. universality. In this paper also discussed the logic and probabilistic models distinctive features in comparison with hidden Markov processes. The early proposed time series forecasting algorithm is tested on applied task.
Keywords: multivariate heterogeneous time series, pattern recognition, classification, deciding functions, logic and probabilistic models.
ACM Classification Keywords: G.3 Probability and statistics: time series analysis, Markov processes, multivariate statistics, nonparametric statistics; G.1.6. Numerical analysis: optimization.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Задачи анализа и прогнозирования многомерных разнотипных временных рядов в настоящее время представляют большой интерес для исследования. В зависимости от предположений о прогнозируемой функции, постановки задач делятся на статистические (вероятностные) и детерминированные. В вероятностной постановке задач прогнозирования и идентификации модели математической моделью временного ряда Z t выступает случайный процесс.
( Читать дальше )
Авторы: Светлана Неделько
Abstract: The method of logic and probabilistic models constructing for multivariate heterogeneous time series is offered. There are some important properties of these models, e.g. universality. In this paper also discussed the logic and probabilistic models distinctive features in comparison with hidden Markov processes. The early proposed time series forecasting algorithm is tested on applied task.
Keywords: multivariate heterogeneous time series, pattern recognition, classification, deciding functions, logic and probabilistic models.
ACM Classification Keywords: G.3 Probability and statistics: time series analysis, Markov processes, multivariate statistics, nonparametric statistics; G.1.6. Numerical analysis: optimization.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Задачи анализа и прогнозирования многомерных разнотипных временных рядов в настоящее время представляют большой интерес для исследования. В зависимости от предположений о прогнозируемой функции, постановки задач делятся на статистические (вероятностные) и детерминированные. В вероятностной постановке задач прогнозирования и идентификации модели математической моделью временного ряда Z t выступает случайный процесс.
( Читать дальше )
- +1
- 19 ноября 2009, 18:46
- комментировать
СЛОЖНЫЕ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБРАЗОВ И ВОЗМОЖНОСТИ ИХ РЕШЕНИЯ
СЛОЖНЫЕ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБРАЗОВ И ВОЗМОЖНОСТИ ИХ РЕШЕНИЯ
Авторы: Виктор Краснопрошин, Владимир Образцов
Аннотация: Рассматривается задача распознавания образов с обучением. Вводится понятие локальной разрешимости такой задачи и показано, что при некоторых, достаточно конструктивных условиях, задача распознавания является локально разрешимой. Получены критерий и два достаточных условия локальной разрешимости.
Ключевые слова: Задача распознавания образов с обучением, локальный подход, критерий и достаточны условия локальной разрешимости.
ACM Classification Keywords: I. Computing Methodologies; I.5 Pattern Recognition; I.5.1 Models; Subject descriptor: Models Deterministic
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Задача распознавания образов с обучением, как и любая другая задача информатики, может оказаться сложной. Понятие сложности может быть определено по-разному. Чтобы не быть связанными конкретными свойствами задачи, мы определим сложность задачи как некоторую совокупность характеристик, следствием которых является структурируемость информации. К числу таких характеристик можно отнести, к примеру, большую размерность задачи или большой объем обучающей и контрольной выборок.
Надо заметить, что в рамках детерминистского подхода [Журавлев, 1978] вопросы сложности почти не рассматривались. Поэтому в принципиальном смысле важен следующий вопрос: можно ли в рамках указанного подхода развить технику решения сложных задач распознавания образов?
В данной работе показано, что ответ на сформулированный выше вопрос является положительным. Для этого нами введено понятие локальной разрешимости задачи распознавания образов с обучением и для широкого класса моделей алгоритмов определены критерий и достаточные условия локальной разрешимости. В содержательном смысле предложенный подход близок к широко используемой в математике технике, суть которой звключается в декомпозиции задачи.
Полученные результаты свидетельствуют, что понятие сложности задачи распознавания является вполне конструктивным. А т.к. практические задачи с большими размерностью и/или объемами выборок становятся все более актуальными, то и результаты решения подобных задач приобретают несомненную важность.
Заключение
В работе описан один из возможных подходов к решению задачи распознавания образов в случаях, когда можно говорить о сложности априорной информации. В принципиальном смысле предлагаемый подход показывает, что со сложностью, которая является следствием большой размерности, можно справляться стандартным для математики способом – через декомпозицию задачи.
В настоящей работе рассматривается случай, когда на информации можно определить отношение эквивалентности. Показано, что для достаточно широкого класса алгоритмов, можно понизить сложность решения задачи распознавания. Сделано это на примере реализации корректных алгоритмов [Журавлев, 1978]. Полученные результаты могут послужить хорошей основой, как для дальнейших теоретических исследований, так и для решения конкретных практических задач.
Авторы: Виктор Краснопрошин, Владимир Образцов
Аннотация: Рассматривается задача распознавания образов с обучением. Вводится понятие локальной разрешимости такой задачи и показано, что при некоторых, достаточно конструктивных условиях, задача распознавания является локально разрешимой. Получены критерий и два достаточных условия локальной разрешимости.
Ключевые слова: Задача распознавания образов с обучением, локальный подход, критерий и достаточны условия локальной разрешимости.
ACM Classification Keywords: I. Computing Methodologies; I.5 Pattern Recognition; I.5.1 Models; Subject descriptor: Models Deterministic
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Задача распознавания образов с обучением, как и любая другая задача информатики, может оказаться сложной. Понятие сложности может быть определено по-разному. Чтобы не быть связанными конкретными свойствами задачи, мы определим сложность задачи как некоторую совокупность характеристик, следствием которых является структурируемость информации. К числу таких характеристик можно отнести, к примеру, большую размерность задачи или большой объем обучающей и контрольной выборок.
Надо заметить, что в рамках детерминистского подхода [Журавлев, 1978] вопросы сложности почти не рассматривались. Поэтому в принципиальном смысле важен следующий вопрос: можно ли в рамках указанного подхода развить технику решения сложных задач распознавания образов?
В данной работе показано, что ответ на сформулированный выше вопрос является положительным. Для этого нами введено понятие локальной разрешимости задачи распознавания образов с обучением и для широкого класса моделей алгоритмов определены критерий и достаточные условия локальной разрешимости. В содержательном смысле предложенный подход близок к широко используемой в математике технике, суть которой звключается в декомпозиции задачи.
Полученные результаты свидетельствуют, что понятие сложности задачи распознавания является вполне конструктивным. А т.к. практические задачи с большими размерностью и/или объемами выборок становятся все более актуальными, то и результаты решения подобных задач приобретают несомненную важность.
Заключение
В работе описан один из возможных подходов к решению задачи распознавания образов в случаях, когда можно говорить о сложности априорной информации. В принципиальном смысле предлагаемый подход показывает, что со сложностью, которая является следствием большой размерности, можно справляться стандартным для математики способом – через декомпозицию задачи.
В настоящей работе рассматривается случай, когда на информации можно определить отношение эквивалентности. Показано, что для достаточно широкого класса алгоритмов, можно понизить сложность решения задачи распознавания. Сделано это на примере реализации корректных алгоритмов [Журавлев, 1978]. Полученные результаты могут послужить хорошей основой, как для дальнейших теоретических исследований, так и для решения конкретных практических задач.
- +2
- 19 ноября 2009, 17:24
- комментировать
КЛАССИФИКАЦИЯ И МОДЕЛИРОВАНИЕ ГЕНЕТИЧЕСКОГО КОДА И ГЕННО-НЕЙРОННЫХ СЕТЕЙ
КЛАССИФИКАЦИЯ И МОДЕЛИРОВАНИЕ ГЕНЕТИЧЕСКОГО КОДА И ГЕННО-НЕЙРОННЫХ СЕТЕЙ
Автор: Адиль Тимофеев
Аннотация: Предлагаются методы автоматической классификации и моделирования генетического кода. Излагаются принципы проектирования и результаты использования гетерогенных генно- нейронных сетей.
Ключевые слова: модели генетического кода, генетическая информатика, гетерогенная генно-нейронная сеть.
ACM Classification Keywords: E.4 Coding and Information Theory
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Основным “строительным материалом” живых организмов являются белки, включающие в себя 20 основных аминокислот. При биохимическом синтезе белков организма используется генетическая информация, закодированная в главном “наследственном материале” – дезоксирибонуклеиновой кислоте (ДНК) [1].
( Читать дальше )
Автор: Адиль Тимофеев
Аннотация: Предлагаются методы автоматической классификации и моделирования генетического кода. Излагаются принципы проектирования и результаты использования гетерогенных генно- нейронных сетей.
Ключевые слова: модели генетического кода, генетическая информатика, гетерогенная генно-нейронная сеть.
ACM Classification Keywords: E.4 Coding and Information Theory
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Основным “строительным материалом” живых организмов являются белки, включающие в себя 20 основных аминокислот. При биохимическом синтезе белков организма используется генетическая информация, закодированная в главном “наследственном материале” – дезоксирибонуклеиновой кислоте (ДНК) [1].
( Читать дальше )
- +2
- 19 ноября 2009, 17:11
- комментировать
ОПТИМИЗАЦИЯ ОЦЕНКИ ВЕРОЯТНОСТИ ОШИБОЧНОЙ КЛАССИФИКАЦИИ В ДИСКРЕТНОМ СЛУЧАЕ
ОПТИМИЗАЦИЯ ОЦЕНКИ ВЕРОЯТНОСТИ ОШИБОЧНОЙ КЛАССИФИКАЦИИ В ДИСКРЕТНОМ СЛУЧАЕ
Автор: Виктор Неделько
Abstract: The goal of the paper is to investigate what training sample estimate of misclassification probability would be the best one for the histogram classifier. Certain quality criterion is suggested. The deviation for some estimates, such as resubstitution error (empirical risk), cross validation error (leave-one-out), bootstrap and for the best estimate obtained via some optimization procedure, is calculated and compared for some examples.
Keywords: pattern recognition, classification, statistical robustness, deciding functions, complexity, capacity, overfitting, overtraining problem.
ACM Classification Keywords: G.3 Probability and statistics, G.1.6. Numerical analysis: Optimization; G.2.m. Discrete mathematics: miscellaneous.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009
Введение
Для оценивания качества решающих функций (одна из первых работ [Лбов, 1965]) в задачах распознавания образов (классификации с учителем) на практике обычно используются точечные оценки риска, т.е. вероятности ошибочной классификации.
( Читать дальше )
Автор: Виктор Неделько
Abstract: The goal of the paper is to investigate what training sample estimate of misclassification probability would be the best one for the histogram classifier. Certain quality criterion is suggested. The deviation for some estimates, such as resubstitution error (empirical risk), cross validation error (leave-one-out), bootstrap and for the best estimate obtained via some optimization procedure, is calculated and compared for some examples.
Keywords: pattern recognition, classification, statistical robustness, deciding functions, complexity, capacity, overfitting, overtraining problem.
ACM Classification Keywords: G.3 Probability and statistics, G.1.6. Numerical analysis: Optimization; G.2.m. Discrete mathematics: miscellaneous.
Conference: The paper is selected from XVth International Conference «Knowledge-Dialogue-Solution» KDS 2009, Varna, Bulgaria, June-July 2009
Введение
Для оценивания качества решающих функций (одна из первых работ [Лбов, 1965]) в задачах распознавания образов (классификации с учителем) на практике обычно используются точечные оценки риска, т.е. вероятности ошибочной классификации.
( Читать дальше )
- +2
- 19 ноября 2009, 16:36
- комментировать
О НЕКОТОРЫХ ТРУДНОРЕШАЕМЫХ ЗАДАЧАХ ПОМЕХОУСТОЙЧИВОГО АНАЛИЗА СТРУКТУРИРОВАННЫХ ДАННЫХ
О НЕКОТОРЫХ ТРУДНОРЕШАЕМЫХ ЗАДАЧАХ ПОМЕХОУСТОЙЧИВОГО АНАЛИЗА СТРУКТУРИРОВАННЫХ ДАННЫХ
Автор: Александр Кельманов
Аннотация: Рассматриваются дискретные экстремальные задачи, к которым сводятся некоторые варианты проблемы помехоустойчивого off-line обнаружения в числовой последовательности повторяющегося фрагмента, а также некоторые варианты проблемы поиска подмножеств векторов во множестве векторов евклидова пространства. Анализируется сложность редуцированных оптимизационных задач и соответствующих им задач анализа данных и распознавания образов. Дан обзор новых и известных алгоритмических результатов по решению этих задач.
Ключевые слова: поиск подмножеств векторов, помехоустойчивое обнаружение повторяющегося фрагмента, кластерный анализ, дискретная оптимизация, NP-трудная задача, алгоритмы с гарантированными оценками точности.
ACM Classification Keywords: F.2. Analysis of Algorithms and Problem Complexity, G.1.6. Optimization, G2. Discrete Mathematics, I.5.3. Pattern Recognition: Clustering.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Объект исследования работы – проблемы оптимизации в задачах анализа данных и распознавания образов. Предмет исследования – дискретные экстремальные задачи, к которым сводятся некоторые варианты проблемы помехоустойчивого off-line обнаружения повторяющегося фрагмента в числовой последовательности и некоторые варианты проблемы поиска подмножеств «похожих» векторов во множестве векторов евклидова пространства. Цель работы – обзор новых и известных результатов по изучению сложности, систематизации и исследованию алгоритмов решения этих задач. Данная работа дополняет сообщения [1-3].
( Читать дальше )
Автор: Александр Кельманов
Аннотация: Рассматриваются дискретные экстремальные задачи, к которым сводятся некоторые варианты проблемы помехоустойчивого off-line обнаружения в числовой последовательности повторяющегося фрагмента, а также некоторые варианты проблемы поиска подмножеств векторов во множестве векторов евклидова пространства. Анализируется сложность редуцированных оптимизационных задач и соответствующих им задач анализа данных и распознавания образов. Дан обзор новых и известных алгоритмических результатов по решению этих задач.
Ключевые слова: поиск подмножеств векторов, помехоустойчивое обнаружение повторяющегося фрагмента, кластерный анализ, дискретная оптимизация, NP-трудная задача, алгоритмы с гарантированными оценками точности.
ACM Classification Keywords: F.2. Analysis of Algorithms and Problem Complexity, G.1.6. Optimization, G2. Discrete Mathematics, I.5.3. Pattern Recognition: Clustering.
Conference: The paper is selected from International Conference «Classification, Forecasting, Data Mining» CFDM 2009, Varna, Bulgaria, June-July 2009
Введение
Объект исследования работы – проблемы оптимизации в задачах анализа данных и распознавания образов. Предмет исследования – дискретные экстремальные задачи, к которым сводятся некоторые варианты проблемы помехоустойчивого off-line обнаружения повторяющегося фрагмента в числовой последовательности и некоторые варианты проблемы поиска подмножеств «похожих» векторов во множестве векторов евклидова пространства. Цель работы – обзор новых и известных результатов по изучению сложности, систематизации и исследованию алгоритмов решения этих задач. Данная работа дополняет сообщения [1-3].
( Читать дальше )
- +2
- 19 ноября 2009, 15:43
- комментировать