Публікація:
Методы и модели классификации объектов на основе искусственных иммуных систем

dc.contributor.authorФомічов, О. О.
dc.date.accessioned2016-10-12T09:48:20Z
dc.date.available2016-10-12T09:48:20Z
dc.date.issued2016
dc.description.abstractДисертаційна робота присвячена розробці методів і моделей класифікації об’єктів на основі штучних імунних систем з різними способами навчання, які дозволяють підвищити швидкість класифікації та кластеризації даних із забезпеченням високої точності угруповання. Проведено аналіз методів класифікації об’єктів, який виявив основні недо-ліки, пов’язані з проблемами низької швидкості класифікації за високої точності поділу об’єктів, які стають найбільш очевидними зі збільшенням розмірності параметрів об’єктів, що класифікуються. Запропоновано метод конкурентно-цільового відбору клонів, який може використовуватися в алгоритмах, що реалізують різні імунні моделі на етапі редагування множини антитіл. Використання даного методу дозволяє підвищити швидкість імунного навчання, що призводить до підвищення швидкості класифікації об’єктів без втрати точності угруповання. Запропоновано узагальнену модель автоматичної класифікації на основі імунних методів і моделей організації обчислень, яка виконує не тільки розподіл об’єктів між вихідним набором класів, а й виділення нових кластерів для об’єктів, які за своїми характеристиками не можуть бути віднесені до жодного класу. Розроблено гібридні методи класифікації, які використовують не тільки імунні моделі обробки даних, а й класичні методи класифікації (kNN і k-means), а також принципи організації м’яких обчислень на основі нечіткої логіки. Запропоновано метод мутації клонів, що полягає у використанні афінності далекого предка як нижньої межі діапазону допустимих значень, що використовується для визначення коефіцієнта мутації. Використання даного оператора му-тації призводить до підвищення швидкості імунного навчання без втрати точності класифікації. Запропоновано використання стимулюючих антитіл для підвищення швидкості імунного навчання і визначення початкових центрів кластерів, які формуються на етапі імунного навчання в ході вирішення задачі класифікації з неконтрольованим навчанням, або автоматичної класифікації об’єктів. Проведено експериментальні дослідження розроблених методів класифікації об’єктів, які показали їх високу ефективність. Розроблені методи і моделі використані для вирішення задачі класифікації результатів тестування учнів-власників зброї в компанії «Страж» (м. Харків), а також в ході визначення розміру страхового платежу за обов’язкового страхування автотранспорту шляхом класифікації характеристик транспортних засобів у філії страхового компанії «Київський страховий дім» (м. Харків). The dissertation is devoted to development of methods and models of objects classification using artificial immune systems with different ways of learning that will improve the performance and high accuracy of classification and clustering. The analysis methods for classifying objects, which revealed major shortcom-ings associated with the problems of classification of low speed high precision separa-tion of objects. A method of a competitive target selection can be applied in algorithms with different immune models in the stage of editing a set of clones or antibodies. Us-age of this method allows to increase the speed of immune learning stage, and object classification without loss of accuracy. A method for mutation clones comprising using affinities of elder antibodies as a lower allowable value range can increase the immune learning speed without losing the classification accuracy. Proposed use of stimulating antibodies to enhance immune speed training and the definition of the initial cluster centers, which are formed at the stage of the unsupervised learning, or automatic clas-sification. The generalized model of automatic classification using immune models, can perform not only the distribution of objects between the original set of classes, but also the creation the new clusters for objects, that cannot be attributed to any class. Devel-oped hybrid classification methods which use not only immune data model, but also classical methods of classification (kNN and k-means), as well as soft principles algo-rithms based on fuzzy logic. Experimental studies of the developed methods and models of objects classifica-tion, which have shown their high efficiency. The developed methods and models used to solve the classification problem in the test results of gun owners in «The Guardian» (Kharkiv), as well as determining the amount of insurance payment under compulsory insurance of vehicles classification by their characteristics in the company «Kievian insurance house» (Kharkiv).uk_UA
dc.identifier.citationФомичев, А. А. Методы и модели классификации объектов на основе искусственных иммуных систем : дис. ... канд. техн. наук : 05.13.23 "Системы и средства искусственного интеллекта" / А. А. Фомичев ; М-во образования и науки Украины, Харьк. нац. ун-т радиоэлектроники. – Харьков, 2016. – 176 с.uk_UA
dc.identifier.urihttp://openarchive.nure.ua/handle/document/3280
dc.language.isoukuk_UA
dc.subjectкласифікаціяuk_UA
dc.subjectантитілаuk_UA
dc.subjectантигениuk_UA
dc.subjectкоефіцієнт мутаціїuk_UA
dc.subjectштучна імунна системаuk_UA
dc.subjectімунна операторuk_UA
dc.subjectмунна модельuk_UA
dc.subjectclassificationuk_UA
dc.subjectantibodiesuk_UA
dc.subjectantigensuk_UA
dc.subjectmutation rateuk_UA
dc.subjectartificial immune systemuk_UA
dc.subjectimmune operatoruk_UA
dc.subjectimmune modeluk_UA
dc.titleМетоды и модели классификации объектов на основе искусственных иммуных системuk_UA
dc.typeOtheruk_UA
dspace.entity.typePublication

Файли

Оригінальний пакет
Зараз показано 1 - 1 з 1
Завантаження...
Зображення мініатюри
Назва:
FomichevA.pdf
Розмір:
421.11 KB
Формат:
Adobe Portable Document Format
Ліцензійний пакет
Зараз показано 1 - 1 з 1
Немає доступних мініатюр
Назва:
license.txt
Розмір:
9.42 KB
Формат:
Item-specific license agreed upon to submission
Опис:

Колекції