Комплексное сокращение размерности данных для построения диагностических и распознающих моделей по прецедентам

Abstract

RU: Решена задача сокращения размерности данных при построении диагностических и распознающих моделей. Объектом исследования являлся процесс диагностирования, управляемый данными. Предметом исследования являлись методы редукции данных для построения диагностических моделей по прецедентам. Целью работы являлось 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. UK: Вирішено завдання скорочення розмірності даних при побудові діагностичних і розпізнавальних моделей. Об’єктом дослідження є процес діагностування, керований даними. Предметом дослідження є методи редукції даних для побудови діагностичних моделей за прецедентами. Метою роботи є створення комплексу показників, що дозволяють кількісно характеризувати цінність екземплярів і ознак, а також методу скорочення розмірності вибірок даних для вирішення завдань діагностування та розпізнавання. Розроблено математичне забезпечення, що дозволяє здійснювати формування вибірок та відбір ознак в рамках єдиного підходу щодо оцінки їх значимості. Запропоновано комплекс показників, що дозволяють кількісно характеризувати індивідуальну цінність екземплярів і ознак у локальній околиці в просторі ознак. Отримали подальший розвиток методи переборного пошуку для скорочення розмірності вибірок даних при вирішенні завдань діагностування та розпізнавання, які модифіковані шляхом урахування у пошукових операторах запропонованих індивідуальних оцінок інформативності екземплярів і ознак. Запропоновані методи і комплекс показників програмно реалізовані і досліджені шляхом вирішення завдань скорочення розмірності даних. Проведені експерименти підтвердили працездатність розробленого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при вирішенні завдань неруйнівного діагностування та розпізнавання образів за ознаками. EN: The problem of data dimensionality reduction for diagnostic and recognizing model construction is solved. The object of study is the process of data-driven diagnosis. The subject of study is the data reduction methods for diagnostic model construction on precedents. The purpose of work is to create a set of indicators to quantify the importance of instances and features, as well as a method of data sample dimensionality reduction in the diagnosis and pattern recognition and problem solving. The mathematical support for the sample formation and feature selection is developed on the base of common approach to the assessment of their significance. The set of indicators is proposed to quantify the individual informativity of instances and features in the local neighborhood in the feature space. The exhaustive search methods for data sample dimensionality reduction in the solution of recognition and diagnosis problems have been further developed. They are modified by taking into account of the offered individual estimations of informativity of instances and features in the search operators. The proposed methods and indicator complex are implemented as software and studied in the solution of data dimensionality reduction problems. The conducted experiments confirmed the efficiency of the developed mathematical tools and allow to recommend them for use in practice for solving the problems of non-destructive diagnosis and pattern recognition on features.