Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Субботин С$<.>) |
Загальна кількість знайдених документів : 35
Представлено документи з 1 до 20
|
| |
1. |
Субботин С. А. Формирование и редукция выборок для интеллектуального анализа данных [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2013. - № 1. - С. 113-118. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2013_1_20 Решена задача формирования и редукции выборок для интеллектуального анализа данных. Предложен метод формирования и редукции выборок, который обеспечивает сохранение в сформированной подвыборке важнейших топологических свойств исходной выборки, не требуя при этом загрузки в память ЭВМ исходной выборки, а также многочисленных проходов исходной выборки, что позволяет сократить объем выборки и уменьшить требования к ресурсам ЭВМ.
| 2. |
Субботин С. А. Синтез диагностических моделей на основе нейро-нечетких сетей с высокими обобщающими свойствами [Електронний ресурс] / С. А. Субботин // Реєстрація, зберігання і обробка даних. - 2012. - Т. 14, № 3. - С. 47-57. - Режим доступу: http://nbuv.gov.ua/UJRN/rzod_2012_14_3_7 Разработан метод синтеза диагностических моделей на основе нейронечетких сетей, обладающих высокими обобщающими свойствами, который выделяет и редуцирует нечеткие термы, формирует и обобщает набор продукционных правил, на основании которого в неитеративном режиме синтезирует нейронечеткую сеть, что позволяет повысить обобщающие свойства, а также упростить структуру диагностических моделей.
| 3. |
Зайко Т. А. Извлечение численных ассоциативных правил с учетом значимости признаков [Електронний ресурс] / Т. А. Зайко, А. А. Олейник, С. А. Субботин // Восточно-Европейский журнал передовых технологий. - 2013. - № 5(4). - С. 28-34. - Режим доступу: http://nbuv.gov.ua/UJRN/Vejpte_2013_5(4)__8 Решена задача автоматизации извлечения численных ассоциативных правил. Цель работы - создание метода извлечения численных ассоциативных правил с учетом значимости признаков. Предложен метод поиска ассоциативных правил, в котором используется априорная информация о значимости признаков, что позволяет сократить пространство поиска и время извлечения правил, уменьшить количество правил, повысить интерпретабельность синтезированной базы правил.
| 4. |
Субботин С. А. Метод извлечения обучающих выборок из исходных выборок большого объема для диагностирования и распознавания образов [Електронний ресурс] / С. А. Субботин // Математичні машини і системи. - 2013. - № 1. - С. 56-62. - Режим доступу: http://nbuv.gov.ua/UJRN/MMS_2013_1_9 Решена задача автоматизации формирования выборок для построения диагностических и распознающих моделей по прецедентам. Предложен метод извлечения обучающих выборок, который обеспечивает сохранение в сформированной подвыборке важнейших топологических свойств исходной выборки, не требуя при этом загрузки в память ЭВМ исходной выборки, а также многочисленных проходов исходной выборки, что позволяет сократить объем выборки и уменьшить требования к ресурсам ЭВМ.
| 5. |
Субботин С. А. Разбиение исходной выборки большого объема для решения задач диагностики и распознавания образов на основе методов вычислительного интеллекта [Електронний ресурс] / С. А. Субботин // Реєстрація, зберігання і обробка даних. - 2013. - Т. 15, № 4. - С. 13-22. - Режим доступу: http://nbuv.gov.ua/UJRN/rzod_2013_15_4_4 Предложен новый метод разбиения исходной выборки на обучающую и тестовую, сохраняющий в сгенерированной подвыборке наиболее важные топологические свойства исходной выборки и не требующий ее загрузки в память. Он обеспечивает последовательную обработку экземпляров, а также выполняет преобразование многомерных координат в одномерные и дискретизацию для улучшения обобщающих свойств. Метод позволяет значительно уменьшить размер выборки и снизить требования к ресурсам компьютера.
| 6. |
Олейник Ан. А. Агентные технологии для отбора информативных признаков [Електронний ресурс] / Ан. А. Олейник, Ал. А. Олейник, С. А. Субботин // Кибернетика и системный анализ. - 2012. - Т. 48, № 2. - С. 113-125. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2012_48_2_12 The problem of feature selection is considered. A method of feature selection based on the multiagent approach with indirect communication between agents is developed. Software is created to implement the multiagent method. The problem of feature selection is solved for the diagnostics of chronic bronchitis.
| 7. |
Субботин С. А. Разработка метода цензурирования выборок для построения нейромоделей [Електронний ресурс] / С. А. Субботин // Восточно-Европейский журнал передовых технологий. - 2014. - № 5(4). - С. 22-27. - Режим доступу: http://nbuv.gov.ua/UJRN/Vejpte_2014_5(4)__5 Предложен метод формирования обучающих выборок, позволяющий охарактеризовать индивидуальную информативность экземпляров относительно центров и границ интервалов признаков. Это позволяет автоматизировать анализ выборки и ее разделение на подвыборки, и, как следствие, сократить размерность обучающих данных. Разработано программное обеспечение, реализующее предложенные показатели, и проведены эксперименты по исследованию их свойств.
| 8. |
Зайко Т. А. Факторный анализ на основе ассоциативных правил [Електронний ресурс] / Т. А. Зайко, А. А. Олейник, С. А. Субботин // Реєстрація, зберігання і обробка даних. - 2014. - Т. 16, № 1. - С. 56-64. - Режим доступу: http://nbuv.gov.ua/UJRN/rzod_2014_16_1_9 Рассмотрена задача факторного анализа в транзакционных базах данных. Предложен метод факторного анализа на основе ассоциативных правил. Разработанный метод предполагает извлечение правил из заданных баз транзакций, что позволяет получить оценки эквивалентности термов признаков, исключить избыточные признаки, сократив тем самым пространство поиска и уменьшив время анализа, а также сформировать группы качественно близких признаков. Проведены эксперименты по решению тестовых задач факторного анализа.
| 9. |
Субботин С. А. Обработка стационарных сигналов в задаче диагностирования лопаток газотурбинных авиадвигателей [Електронний ресурс] / С. А. Субботин // Вестник двигателестроения. - 2014. - № 1. - С. 156-160. - Режим доступу: http://nbuv.gov.ua/UJRN/vidv_2014_1_31 Решена задача автоматизации сокращения размерности данных для построения диагностических моделей на основе стационарных одномерных сигналов, распределенных во времени. Предложен комплекс показателей, характеризующих свойства сигналов для автоматической классификации объектов, позволяющий существенно сократить описание классифицируемых объектов, уменьшить влияние помех и погрешностей измерений на результаты классификации, сохранить и повысить интерпретабельность синтезируемых диагностических моделей. Экспериментально подтверждена практическая полезность предложенных преобразований для стационарных сигналов в задаче диагностирования лопаток газотурбинных авиадвигателей.
| 10. |
Субботин С. А. Формирование выборок с пространственной локализацией и преобразованием на обобщённую ось [Електронний ресурс] / С. А. Субботин // Штучний інтелект. - 2013. - № 2. - С. 71-79. - Режим доступу: http://nbuv.gov.ua/UJRN/II_2013_2_12
| 11. |
Субботин С. А. Критерии сравнения распознающих моделей на основе нейронных сетей и анализ их взаимосвязей [Електронний ресурс] / С. А. Субботин // Штучний інтелект. - 2014. - № 1. - С. 142-152. - Режим доступу: http://nbuv.gov.ua/UJRN/II_2014_1_19
| 12. |
Субботин С. А. Быстрый метод выделения обучающих выборок для построения нейросетевых моделей принятия решений по прецедентам [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2015. - № 1. - С. 46-51. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2015_1_8 Решена задача формирования обучающих выборок для автоматизации построения нейросетевых моделей по прецедентам. Предложен метод формирования выборок, который автоматически выделяет из исходной выборки обучающую и тестовую выборки, не требуя загрузки всей исходной выборки в память ЭВМ, осуществляя поэкземплярную обработку исходной выборки с хэширующим преобразованием на одномерную ось, формирует эталоны кластеров на обобщенной оси, минимизируя их число, что позволяет повысить скорость формирования выборок, снизить требования к вычислительным ресурсам и памяти ЭВМ и обеспечить приемлемый уровень точности синтезируемых моделей. Разработанный метод не требует многократных проходов по выборке, ограничиваясь всего тремя просмотрами. При этом метод хранит в оперативной памяти только один текущий экземпляр и набор сформированных одномерных эталонов, который минимизирован по объему. В отличие от методов на основе случайного отбора и кластер-анализа предложенный метод автоматически определяет размер формируемых обучающей и тестовой выборок, не требуя участия человека. Разработано программное обеспечение, реализующее предложенный метод, на основе которого решена практическая задача построения модели принятия решений для индивидуального прогнозирования состояния пациента, больного гипертонией.
| 13. |
Субботин С. А. Построение нейро-нечетких моделей по прецедентам с хэширующим преобразованием на обобщенную ось [Електронний ресурс] / С. А. Субботин // Математичні машини і системи. - 2015. - № 1. - С. 20-28. - Режим доступу: http://nbuv.gov.ua/UJRN/MMS_2015_1_4 Решена задача автоматизации построения диагностических и распознающих моделей по прецедентам на основе нейро-нечетких сетей. Предложен метод построения нейронечетких сетей с хэширующим преобразованием на обобщенную ось, который позволяет повысить уровни автоматизации синтеза и обобщения моделей, упростить структуру и сократить число параметров, а также повысить интерпретабельность нейро-нечетких сетей. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты по его исследованию при решении практических задач.
| 14. |
Субботин С. А. Синтез радиально-базисных нейронных сетей с преобразованием на обобщенную ось для автоматизации процесса принятия диагностических решений [Електронний ресурс] / С. А. Субботин // Автоматизация технологических и бизнес-процессов. - 2015. - Vol. 7, Iss. 3. - С. 61-67. - Режим доступу: http://nbuv.gov.ua/UJRN/avtib_2015_7_3_11
| 15. |
Субботин С. А. Мультиагентная оптимизация на основе метода пчелиной колонии [Електронний ресурс] / С. А. Субботин, Ал. А. Олейник // Кибернетика и системный анализ. - 2009. - Т. 45, № 2. - С. 15-25. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2009_45_2_3 Проведено аналіз моделей методу бджолиної колонії для розв'язку задач оптимізації. Розглянуто біологічні передумови методу, а також способи формалізації опису колективної поведінки бджолиної колонії для його моделювання. Вперше запропоновано модифікацію методу бджолиної колонії для розв'язку задачі відбору інформативних ознак.
| 16. |
Субботин С. А. Синтез нейро-нечетких сетей с ранжированием и специфическим кодированием признаков для диагностики и автоматической классификации по прецедентам [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2016. - № 1. - С. 50-57. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_1_8
| 17. |
Субботин С. А. Метод синтеза диагностических моделей на основе радиально-базисных нейронных сетей с поддержкой обобщающих свойств [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2016. - № 2. - С. 64-69. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_2_10 Решена актуальная проблема автоматизации синтеза радиально-базисных нейронных сетей на основе набора прецедентов для принятия решений в диагностировании. Предложен метод синтеза радиально-базисных нейронных сетей, который формирует в начале по одному эталону класса, которые при необходимости дополняет новыми эталонами, формируемыми на основе ошибочно распознанных экземпляров, а далее оперирует расстояниями от экземпляров до эталонов кластеров. На основе полученных координат эталонов далее в автоматическом режиме синтезируется структура и настраиваются параметры сети, которые дополнительно для повышения обобщающих свойств и интерпретабельности подвергается контрастированию весов. Предложенный метод не требует задания пользователем числа кластеров, не имеет неопределенности выбора числа нейронов в первом слое и выбора начальных значений весов сети, стремится минимизировать размер сети, характеризуется приемлемым временем обучения, благодаря использованию процедуры оптимизации сети позволяет получать безызбыточные контрастные, интерпретабельные нейромодели. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты, подтвердившие работоспособность разработанного математического обеспечения и позволяющие рекомендовать его для использования на практике при решении задач построения диагностических моделей по прецедентам для автоматизации принятия решений в технической и биомедицинской диагностики.
| 18. |
Субботин С. А. Построение полностью определенных нейро-нечетких сетей с регулярным разбиением пространства признаков на основе выборок большого объема [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2016. - № 3. - С. 47-53. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_3_8 Решена проблема автоматизации синтеза моделей для классификации образов по признакам. Предложен метод синтеза нейро-нечетких моделей по прецедентам, способный получать полностью определенные нейромодели на основе регулярного разбиения признаков. Метод рассчитывает координаты центров кластеров как координаты центров прямоугольных блоков в пространстве интервалов признаков, а принадлежности кластеров к классам определяет по обучающей выборке: для кластеров, покрытых наблюдениями, принадлежность определяется по максимуму частоты экземпляров соответствующих классов в кластере, а для кластеров, не покрытых наблюдениями, принадлежность определятся по максимальному потенциалу, наводимому на данный кластер кластерами с известной принадлежностью к классам. Полученный набор кластеров-правил отображается в структуру нейро-нечеткой сети Мамдани, а ее параметры настраиваются на основе параметров разбиения признаков и центров кластеров. Предложенный метод не требует загрузки всей обучающей выборки в память ЭВМ и существенно ускоряет процесс синтеза моделей, обеспечивая при этом приемлемый уровень обобщения данных получаемой нейромоделью. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты, подтвердившие работоспособность разработанного математического обеспечения и позволяющие рекомендовать его для построения нейро-нечетких моделей на основе выборок большого объема.
| 19. |
Субботин С. А. Комплексное сокращение размерности данных для построения диагностических и распознающих моделей по прецедентам [Електронний ресурс] / С. А. Субботин // Радіоелектроніка, інформатика, управління. - 2016. - № 4. - С. 70-76. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_4_11 Решена задача сокращения размерности данных при построении диагностических и распознающих моделей. Цель работы - создание комплекса показателей, позволяющих количественно характеризовать ценность экземпляров и признаков, а также метода сокращения размерности выборок данных для решения задач диагностирования и распознавания. Разработано математическое обеспечение, позволяющее осуществлять формирование выборок и отбор признаков в рамках единого подхода к оценке их значимости. Предложен комплекс показателей, позволяющих количественно характеризовать индивидуальную ценность экземпляров и признаков в локальной окрестности в пространстве признаков. Получили дальнейшее развитие методы переборного поиска для сокращения размерности выборок данных при решении задач диагностирования и распознавания, которые модифицированы путем учета в поисковых операторах предложенных индивидуальных оценок информативности экземпляров и признаков. Предложенные методы и комплекс показателей программно реализованы и исследованы при решении задач сокращения размерности данных. Проведенные эксперименты подтвердили работоспособность разработанного математического обеспечения и позволяют рекомендовать его для использования на практике при решении задач неразрушающего диагностирования и распознавания образов по признакам.
| 20. |
Субботин С. А. Метод отбора образцов в задачах автоматизации неразрушающего контроля [Електронний ресурс] / С. А. Субботин // Технологические системы. - 2014. - № 2. - С. 65-70. - Режим доступу: http://nbuv.gov.ua/UJRN/Ts_2014_2_10
| | |
|
|