Интенсиональный метод распознавания объектов, описанных в признаковом пространстве большой размерности

Ш.Х. Fazilov; Н.М. Мирзаев; С.С. Раджабов; И.М. Раббимов

Авторы

Ш.Х. Fazilov Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор
Н.М. Мирзаев Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор
С.С. Раджабов Институт фундаментальных и прикладных исследований при НИУ «ТИИИМСХ» Автор
И.М. Раббимов Центр экономических исследований и реформ Автор

Ключевые слова:

интенсиональный метод, семейство алгоритмов распознавания, взаимосвязанность признаков, параметризация, экстремальный алгоритм

Аннотация

В работе предлагается метод, относящийся к группе интенсиональных методов распознавания образов, суть которого заключается в переходе от системы исходных признаков к редуцированной системе моделей взаимосвязанности между признаками. Показано, что реализация трех вариантов использования моделей взаимосвязанности признаков, служит основой для разработки трех семейств алгоритмов распознавания: семейство алгоритмов распознавания, основанных на использовании моделей взаимосвязанности признаков; cемейство алгоритмов распознавания, основанных наиспользовании предпочтительных моделей взаимосвязанности признаков; cемейство алгоритмов распознавания, основанных на выделении предпочтительных сочетаний моделей взаимосвязанности признаков. Приведены этапы задания предлагаемых семейств алгоритмов распознавания, а также сформулирована задача их параметризации. Для указанных семейств алгоритмов разработаны процедуры, обеспечивающие построение экстремальных алгоритмов при решении прикладных за дач распознавания в условиях большой размерности исходных данных. Проведён компьютерный эксперимент с целью сравнения эффективности разработанных алгоритмов с показателями альтернативных известных методов распознавания. В ходе эксперимента показано, что разработанные алгоритмы распознавания в сравнении с альтернативами имеют более высокую точность и быстродействие при распознавании объектов в пространстве коррелированных признаков.

Библиографические ссылки

Журавлев Ю.И. Избранные научные труды.– М: Магистр,– 1998.– 420 с.

Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и применение.– Ташкент: ФАН,– 1974.– 119 с.

Камилов М.М., Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С. Построение алгоритмов распознавания образов в пространстве признаков большой размерности. Часть 1. Мо дели распознающих операторов // Химическая технология. Контроль и управление. Ташкент,– 2012.– №3.– С. 52-59.

Раджабов С.С. Алгоритмы распознавания объектов, заданных в признаковом про странстве большой размерности /Информационные технологии, системный анализ и управление (ИТСАиУ-2012): Сб. тр. X Всерос. конф.– Таганрог: Изд-во ЮФУ,– 2012.– Т.3.– С. 244.

Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С. Построение модели алгоритмов вычис ления оценок с учётом большой размерности признакового пространства //Вестник СГТУ.– Саратов,– 2012.– № 1 (64).– С. 274–279.

Kamilov M., Fazilov S., Mirzaev N., Radjabov S. Estimates calculations algorithms in condition of huge dimensions of features’ space // Proceedings 4th International Conference "Problems of Cybernetics and Informatics"(PCI 2012). Baku,– 2012.– Vol. I.– P. 184–187.

Камилов М.М., Фазылов Ш.Х., Мирзаев Н.М., Раджабов С.С. Построение алгорит мов распознавания образов в пространстве признаков большой размерности. Часть 3. Определение параметров моделей распознающих операторов // Химическая техноло гия. Контроль и управление.– Ташкент,– 2012.– №5.– С. 51-61.

Fazilov Sh.Kh., Mirzaev N.M., Radjabov S.S., Mirzaeva G.R. Determination of representative features when building an extreme recognition algorithm // Journal of Physics: Conference Series.– London,– 2019.– Vol. 1260.– P. 1-8.

https://archive.ics.uci.edu/ml/datasets.php.

Prokhorenkova L., Gusev G., Vorobev A., Veronika A. CatBoost: unbiased boosting with categorical features.– https://arxiv.org/abs/1706.09516.

Griesbach C., Safken B., Waldmann E. Gradient Boosting for Linear Mixed Models. https://arxiv.org/abs/2011.00947.

Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. https://arxiv.org/abs/1603.02754.

Ghojogh B., Crowley M. Linear and Quadratic Discriminant Analysis: Tutorial. https://arxiv.org/abs/1906.02590.

Freund Y., Schapire R.E. A Short Introduction to Boosting. http://www.site.uottawa.ca/ stan/csi5387/boost-tut-ppr.pdf.

Goldberger J., Roweis S., Hinton G., Salakhutdinov R. Neighbourhood Components Analysis //Advances in Neural Information Processing Systems,– Vol. 17, May– 2005.– P. 513–520.

Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods.– Cambridge University Press,– 2000.– ISBN 978-1-139 64363-4.

Ke G., Meng Q., Finley Th., Wang T., Chen W., Ma W., Ye Q., Liu T. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. https://papers.nips.cc/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf.

Zhang H. The optimality of Naive Bayes.– https://www.cs.unb.ca/ hzhang/publications/ FLAIRS04ZhangH.pdf.

Breiman L. Random Forests //Machine Learning: journal,– 2001.– Vol. 45,– no. 1.– P. 5–32.

Tolles J., Meurer W.J. Logistic Regression Relating Patient Characteristics to Outcomes //JAMA. 316 (5): 533–4. doi:10.1001/jama.2016.7653.

Rokach L. Data mining with decision trees: theory and applications.– World Scientific Pub Co Inc,– 2008.– ISBN 978-9812771711.

Liu Y., Chen M., Zhang W., Zhang J., Zheng Y. Federated Extra-Trees with Privacy Preserving.– https://arxiv.org/abs/2002.07323.

Saleh A., Arashi M., Golam B.M. Theory of Ridge Regression Estimation with Applications.– New York: John Wiley & Sons.– ISBN 978-1-118-64461-4.

Pedregosa et al. Scikit-learn: Machine Learning in Python, JMLR 12,– P. 2825–2830. 2011.

Dietterich T.G., Jain A., Lathrop R., Lozano-Perez T. A comparison of dynamic reposing and tangent distance for drug activity prediction //Advances in Neural Information Processing Systems, 6.– San Mateo, CA: Morgan Kaufmann,– 1994.– P. 216–223.

Ciarelli P.M., Oliveira E. Agglomeration and Elimination of Terms for Dimensionality Reduction /Ninth International Conference on Intelligent Systems Design and Applications,– P. 547–552.– 2009.

Velloso E., Bulling A., Gellersen H., Ugulino W., Fuks H. Qualitative Activity Recognition of Weight Lifting Exercises /Proceedings of 4th International Conference in Cooperation with SIGCHI (Augmented Human’13). Stuttgart, Germany: ACM SIGCHI,– 2013.

Fisher R.A. The use of multiple measurements in taxonomic problems //Annual Eugenics, 7, Part II,– P. 179-188.