ZGŁOŚ PROBLEMikona ozdobna

Pola oznaczone gwiazdką (*) są wymagane
*
*
*
*
captcha
Zapoznałem/am się i akceptuję regulamin oraz politykę prywatności *

ODSYŁACZE

Link do zasobu (portal):

Link do zasobu (skrót):

http://azon.e-science.pl/zasoby/21611

Link do zasobu (repozytorium):

https://id.e-science.pl/records/21611

Typ zasobu: praca dyplomowa

Klasyfikacja bayesowska informacji niedokładnej typu przedziałowego

Widok

Metadane zasobu

Tytuł Klasyfikacja bayesowska informacji niedokładnej typu przedziałowego
Osoby Autorzy: Piotr Andrzej Kowalski
Partner: Instytut Badań Systemowych PAN w Warszawie
Opis W pracy rozważane jest zagadnienie bayesowskiej klasyfikacji wielowymiarowej informacji niedokładnej typu przedziałowego, z użyciem wzorców wyznaczonych na podstawie danych określonych jednoznacznie (np. deterministycznych albo ostrych). Do powyższego zadania zastosowana została metodyka statystycznych estymatorów jądrowych, co uniezależnia opracowany algorytm od postaci wzorców. Dodatkowo dokonywana jest eliminacja tych elementów zbiorów wzorcowych, które mają znikomy lub wręcz negatywny wpływ na poprawność klasyfikacji. Koncepcję realizującej ten cel procedury oparto na metodzie wrażliwościowej, wzorowanej na teorii sztucznych sieci neuronowych. W wyniku jej działania ilość poprawnych klasyfikacji i – przede wszystkim – szybkość obliczeń uległy istotnemu zwiększeniu. Dalszy wzrost jakości klasyfikacji został uzyskany poprzez algorytm korekcji wartości parametrów klasyfikatora. Wyniki weryfikacji numerycznej, przeprowadzonej na danych pseudolosowych i benchmarkowych, a także analiza porównawcza z innymi metodami o podobnych uwarunkowaniach, potwierdziły poprawność prezentowanej tu koncepcji oraz jej pozytywne własności. (Polski)
Opis w innym języku: In the research a classification problem was worked out. The concept of interval information classification is based on the Bayes approach, ensuring a minimum of potential losses arising from misclassifications, was investigated. For a such-formulated problem the methodology of statistical kernel estimators has been used, which freed the above procedure from arbitrary assumptions concerning the shapes of samples - their identification constitutes an integral part of the presented algorithm. A procedure has also been worked out for reducing samples by those elements having negligible or even negative influence on the correctness of classification. Its concept has been based on a sensitivity method, inspired by artificial neural networks theory, while the goal is to increase the number of proper classifications as well as, primarily, calculation speed. Additionally, function of smoothing parameter and it's intensity correction was worked out. The veracity of the presented method has also been tested for the case where the samples of particular classes were obtained as a result of clustering. A very positive results of large number numerical verifications using synthetic, real and benchmark data was obtained. All these algorithms was investigated within the confines of PhD thesis (finished 23.11.2009, approve4.12.2009). (Angielski)
Słowa kluczowe "analiza numeryczna"@pl, "informacja niedokładna"@pl, "informacja typu przedziałowego"@pl, "statystyczne estymatory jądrowe"@pl, "metoda wrażliwościowa sztucznych sieci neuronowych"@pl, "numerical analysis"@en, "klasyfikacja"@pl
Klasyfikacja Typ zasobu: praca dyplomowa
Dyscyplina naukowa: dziedzina nauk technicznych / informatyka (2011)
Grupa docelowa: naukowcy, studenci, przedsiębiorcy
Szkodliwe treści: Nie
Charakterystyka Miejsce powstania: Kraków / Warszawa
Czas powstania: 2009
Liczba stron: 92
Promotor: Piotr Stanisław Kulczycki
Język zasobu: Polski
Lokalizacja: Warszawa
Licencja CC BY-SA 4.0
Informacje techniczne Deponujący: Justyna Kupczak
Data udostępnienia: 16-10-2018
Kolekcje Kolekcja Instytutu Badań Systemowych PAN w Warszawie, Kolekcja e-Biblio IBS PAN

Cytowanie

Skopiowano

Piotr Andrzej Kowalski. Klasyfikacja bayesowska informacji niedokładnej typu przedziałowego. [praca dyplomowa] Dostępny w Atlasie Zasobów Otwartej Nauki, . Licencja: CC BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/legalcode.pl. Data dostępu: DD.MM.RRRR.

Podobne zasoby

Zobacz więcej