О СИСТЕМАТИЗАЦИИ МЕТОДОВ КЛАССИФИКАЦИИ ДАННЫХ И ЗНАНИЙ
Аннотация
C единой методологической позиции систематизируются известные математические методы
и алгоритмы классификации. В качестве ключевого признака разделения методов предлагается использовать уровень «интеллектуальности» способа обработки информации. Показывается, что существующие методы используют парадигмы обработки данных либо знаний раздельно, в то время как реальные задачи распознавания могут включать в себя оба подхода одновременно. Обосновывается вывод о необходимости развития моделей классификации в направлении унификации и гибридизации
Об авторах
М. М. Татур
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Д. Н. Одинец
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Список литературы
1. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. – М. : Мир, 1976. – 512 с.
2. Белозерский, Л.А. Введение в системы автоматического распознавания / Л.А. Белозерский. – Киев : Наукова думка, 2005. – 434 с.
3. Васильев, В.И. Распознающие системы / В.И. Васильев. – Киев : Наукова думка,
4. – 422 с.
5. Чубукова, И.А. Data Mining / И.А. Чубукова. – М. : БИНОМ, 2006. – 382 с.
6. Кохонен, Т. Самоорганизующиеся карты / Т. Кохонен. – М. : БИНОМ, 2008. – 655 с.
7. Василенко, Г.И. Оптико-электронные корреляционные методы и средства распознавания изображений / Г.И. Василенко, И.С. Гибин, О.И. Потатуркин // Радиоэлектроника. – 1990. – № 8. – С. 15–27.
8. Zholtikov, R.R. Some models of raster correlators of binary images / R.R. Zholtikov,
9. M.M. Tatur // Int. Scientific Journal of Computing. – 2004. – Vol. 3. – P. 46–49.
10. Устройство корреляционного распознавания бинарных образов : пат. 1748 Респ. Беларусь, МПК7, G 06K 9/00 / М.М. Татур, Р.Р. Жолтиков ; заявитель М.М. Татур. – № u 200402333 ; заявл. 2004.10.01 ; опубл. 30.03.2005 // Афiцыйны бюл. / Нац. цэнтр iнтэлектуал. уласнасцi. – 2005. – № 1. – С. 125.
11. SVM – Support Vector Machines, USA [Electronic resource]. – Mode of access :
12. http://www.support-vector-machines.org. – Date of access : 10.06.2010.
13. Головко, В.А. Нейроинтеллект: теория и применение. Кн. 1. Организация и обучение нейронных сетей с прямыми и обратными связями / В.А. Головко. – Брест : Университетское, 1999. – 260 с.
14. Уоссермен, Ф. Нейрокомпьютерная техника. Теория и практика / Ф. Уоссермен. – М. : Мир, 1992. – 240с.
15. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы /
16. Д. Рутковская, М. Пилинский, А. Рутковский. – М. : Горячая линия – Телеком, 2006. – 383с.
17. Фу, К. Структурные методы в распознавании образов / К. Фу. – М. : Мир, 1977. – 320 с.
18. Татур, М.М. Формальные и неформальные аспекты в разработке систем распознавания / М.М. Татур // Искусственный интеллект. – 2007. – № 3. – С. 333–343.
19. Леоненков, А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А.В. Лео-
20. ненков. – СПб. : БХВ–Петербург, 2003. – 720 с.
21. Штовба, С.Д. Классификация объектов на основе нечеткого логического вывода /
22. С.Д. Штовба // Методы. Алгоритмы. Программы. – 2004. – № 1. – С. 68–69.
23. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л.А. Заде. – М. : Мир, 1976. – 168 с.
24. Trends in practical Applications of Agent and Multiagent Systems // Advances in Intelligent and Soft Computing. – Berlin, Germany : Springer-Verlag Berlin Heidelberg, 2010. – Vol. 71. – 733 p.
25. Новоселова, Н.А. Построение нечеткой модели для решения задач классификации / Н.А. Новоселова // Информатика. – 2006. – № 3 (11). – С. 5–14.
26. Ярушкина, Н.Г. Нечеткие гибридные системы. Теория и практика / Н.Г. Ярушкина. –
27. М. : Физматлит, 2007. – 208 с.
Рецензия
Для цитирования:
Татур М.М., Одинец Д.Н. О СИСТЕМАТИЗАЦИИ МЕТОДОВ КЛАССИФИКАЦИИ ДАННЫХ И ЗНАНИЙ. Информатика. 2010;(3(27)):103-113.
Просмотров: 635
Послать статью по эл. почте 