The algorithm tree method in solving the task of classifying hydrographic data

Abstract

EN: Context. The work is dedicated to the identification of a simple and effective mechanism by which it is possible to build algorithmic classification trees (algorithmic tree models) on the basis of fixed initial information in the form of a discrete data training sample. The constructed algorithmic classification tree will unmistakably classify (recognize) the entire training sample on which the model is built, have a minimum structure (structural complexity) and consist of components – autonomous classification and recognition algorithms as the vertices of the structure (attributes of the tree). Objective. The aim of this work is to create a simple, effective and universal method of constructing classification (recognition) models based on the concept of algorithmic trees for arrays of real hydrographic data, where the obtained schemes of classification systems (classification tree structure) are characterized by a tree structure (construction) and autonomous classification algorithms (sets of generalized features) as their structural elements (construction blocks). Method. The general scheme of synthesizing classification trees in a form of algorithmic trees on the basis of a procedure of approximation of an array of discrete data by a set of elementary classifiers, which for the set initial training sample builds a tree-like structure, i.e. a model of the algorithmic tree, is suggested. Moreover, the constructed scheme consists of a set of autonomous classification and recognition algorithms evaluated at each step/stage of constructing the classification tree for this initial sample. A method for constructing an algorithmic classification tree has been developed, the main idea of which is to approximate step-by-step the initial sample of an arbitrary volume and structure by a set of elementary classification algorithms. The method of algorithmic tree in the formation of the current algorithmic tree vertex, node, generalized feature provides selection of the most effective, high-quality elementary classifiers from the initial set and completion of only those paths in the tree structure where the largest number of errors (failures) occurs. The structural complexity of the algorithmic tree design is estimated based on the number of transitions, vertices and tiers of the model structure, which allows one to improve the quality of its subsequent analysis, provide an effective decomposition mechanism, and build algorithmic tree structures under fixed constraint sets. The method of the algorithmic tree synthesis allows one to build different types of tree-like recognition models with different initial sets of elementary classifiers with predetermined accuracy for a wide class of problems of the artificial intelligence theory. Results. The developed method of building algorithmic tree models allows one to work with training samples of a large amount of different types of information (discrete data) and provides high speed and economy of hardware resources in the process of generating the final classification scheme, as well as to build classification trees with predetermined accuracy. Conclusions. An approach to the synthesis of new recognition algorithms (schemes) based on a library (set) of already known algorithms (methods) and schemes has been developed. That is, an effective scheme for recognizing discrete objects based on step-by-step evaluation and selection of classification algorithms (generalized features) at each step of the scheme synthesis is presented. Based on the suggested concept of algorithmic classification trees, a model of the structure of the algorithm tree was built, which provided classification of flood situations for the Uzh river basin. UK: Актуальність. Робота присвячена виявленню простого та ефективного механізму за допомогою якого можна будувати алгоритмічні дерева класифікації (моделі дерева алгоритмів) за фіксованою початковою інформацією у вигляді навчальної вибірки дискретних даних. Побудоване алгоритмічне дерево класифікації буде безпомилково класифікувати (розпізнавати) всю навчальної вибірки за якою побудована модель, мати мінімальну структуру (структурну складність) та складатися з компонентів – автономних алгоритмів класифікації та розпізнавання в якості вершин конструкції (атрибутів дерева). Мета. Метою даної роботи є створення простого, ефективного та універсального метода побудови моделей класифікації (розпізнавання) на основі концепції дерев алгоритмів для масивів реальних даних гідрографічного характеру, де отримані схеми систем класифікації (структури дерев класифікації) характеризуються деревоподібної структурою (конструкцією) та наявністю автономних алгоритмів класифікації (наборів узагальнених ознак) в якості своїх структурних елементів (блоків конструкції). Метод. Пропонується загальна схема синтезу дерев класифікації у вигляді дерев алгоритмів на основі процедури апроксимації масиву дискретних даних набором елементарних класифікаторів, яка для заданої початкової навчальної вибірки будує деревоподібну структуру – модель дерева алгоритмів. Причому побудована схема складається з набору автономних алгоритмів класифікації та розпізнавання оцінених на кожному кроці, етапі побудови дерева класифікації за даною початковою вибіркою. Розроблений метод побудови алгоритмічного дерева класифікації основна ідея якого полягає в по кроковій апроксимації начальної вибірки довільного об‘єму та структури набором елементарних алгоритмів класифікації. Метод дерева алгоритмів при формуванні поточної вершини дерева алгоритмів, вузла, узагальненої ознаки, забезпечує виділення найбільш ефективних, якісних елементарних класифікаторів з початкового набору та добудову лише тих шляхів в структурі дерева де відбувається найбільша кількість помилок (відмов) класифікації. Структурна складність конструкції дерева алгоритмів оцінюється на основі кількості переходів, вершин та ярусів структури моделі, що дозволяє підвищити якість його наступного аналізу, забезпечити ефективний механізм декомпозиції, та будувати структури дерев алгоритмів в умовах фіксованих наборів обмежень. Метод синтезу дерев алгоритмів дозволяє будувати різнотипні деревоподібні моделі розпізнавання з різними початковими наборами елементарних класифікаторів з наперед заданою точністю для широкого класу задач теорії штучного інтелекту. Результати. Розроблений метод побудови моделей дерев алгоритмів дозволяє працювати з навчальними вибірками великого об’єму різнотипної інформації (дискретними даними) та забезпечує високу швидкість та економність апаратних ресурсів в процесі генерації кінцевої схеми класифікації, будувати дерева класифікації з наперед заданою точністю. Висновки. Розроблений підхід синтезу нових алгоритмів (схем) розпізнавання на основі бібліотеки (набору) вже відомих алгоритмів (методів) та схем. Тобто представлена ефективна схема розпізнавання дискретних об‘єктів на основі покрокової оцінки та вибору алгоритмів класифікації (узагальнених ознак) на кожному кроці синтезу схеми. На базі запропонованої концепції алгоритмічних дерев класифікації побудована модель структури дерева алгоритмів, яка забезпечила класифікацію паводкових ситуацій для басейну річку Уж.