|
158 ССУЗа. Данная группа задач решается на основе алгоритмов автоматической классификации (136) и распознавания образов (263). Как показывает анализ, естественной основой дифференциации алгоритмов автоматической классификации может служить уровень априорной информации о решаемой задаче, определяемый свойствами исходного пространства признаков, степенью конкретизации понятия классов. В соответствии с этим выделяются три группы алгоритмов автоматической классификации: 1) методы, основанные на знании либо принятии гипотезы о мере близости между объектами классификации, 2) оптимизационные методы, требующие задания цели классификации в виде некоторого функционала, 3) алгоритмы, предполагающие явное определение понятия класса. К первой группе методов относится теоретико-графовые методы (263), часто используемые при синтезе структур сложных систем, описываемых с помощью графовой модели; пороговые алгоритмы классификации (259), ориентированные на задание жесткого порога, на значение меры близости между объектами классификации; алгоритмы последовательного отбора объекта классификации к выделенному на предыдущем этапе подмножеству, набору подмножеств с начальным определением их центров; методы последовательного объединения подмножеств, начиная с одноэлементных классов (32; 79; 159). Основная особенность данной группы методов использование неформализуемых начальных условий задачи классификации (выбор центров классов, опорных точек классификации) и параметров реализующего алгоритма (значение порога меры близости, ее параметры), что придает им эвристический характер. Несмотря на имеющиеся работы, связанные с попыткой дать определения классов для перечисленных методов классификации, применение в практике последних может быть рекомендовано на этапе формирования гипотез в условиях неполной информации об исследуемом процессе. |
решению задачи разработки информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма слушателей в условиях вуза, в котором бы учитывалась специфика функционирования образовательного учреждения МВД России и который во многом был бы свободен от указанных недостатков. Рассмотрим основные положения такого подхода. Основное требование, предъявляемое к алгоритмам информационно-аналитического обеспечения системы научного обеспечения формирования профессионализма слушателей, состоит в возможности обнаружения текущего состояния системы в определенные моменты времени в результате обработки больших массивов разнотипных статистических данных, характеризующих повторяющиеся процессы функционирования системы в условиях данного вуза. Данная группа задач решается на основе алгоритмов автоматической классификации [65. 80] и распознавания образов [212]. Как показывает анализ, естественной основой дифференциации алгоритмов автоматической классификации может служить уровень априорной информации о решаемой задаче, определяемый свойствами исходного пространства признаков, степенью конкретизации понятия классов. В соответствии с этим выделяются три группы алгоритмов автоматической классификации: 1) методы, основанные на знании либо принятии гипотезы о мере близости между объектами классификации, 2) оптимизационные методы, требующие задания цели классификации в виде некоторого функционала, 3) алгоритмы, предполагающие явное определение понятия класса. К первой группе методов относится теоретико-графовые методы [32], часто используемые при синтезе структур сложных систем, описываемых с помощью графовой модели; пороговые алгоритмы классификации [9, 68], ориентированные на задание жесткого порога на значение меры близости между объектами классификации; алгоритмы последовательного отбора объекта классификации к выделенному на предыдущем этапе подмножеству, набору подмножеств с начальным определением их центров [131]; методы последовательного объединения подмножеств, начиная с одноэлементных классов [20, 34]. Основная особенность данной группы методов использование неформализуемых начальных условий задачи классификации (выбор центров классов, опорных точек классификации) и параметров реализующего алгоритма (значение порога меры близости, ее параметры), что придает им эвристический характер. Несмотря на имеющиеся работы, связанные с попыткой дать определения классов для перечисленных методов классификации, применение в практике последних может быть рекомендовано на этапе формирования гипотез в условиях неполной информации об исследуемом процессе. Если исходная информация содержит сведения о характере взаимосвязи между объектами в классе и соотношениях между классами, то такие задачи решаются с помощью оптимизационных алгоритмов классификации. Характерный представитель этой группы методов вариационный подход для классификации конечного числа объектов [20] и бесконечной их последовательности на основе процедур стохастической аппроксимации [38]. Отметим, что с позиции оптимизационных методов, функционирующих в условиях большой априорной информации, удается обосновать и обобщить ряд алгоритмов из первой группы . Достаточно часто автоматическая классификация служит промежуточным этапом при решении исследовательских задач более высокого уровня, например, аппроксимационных [28, 38]. Это позволяет использовать аппроксимационные критерии в качестве цели классификации, тем самым упростить проблему ее формирования. Соответс |