Кафедри
Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/35393
Переглянути
2 результатів
Результати пошуку
Документ Розробка методу ідентифікації стану комп'ютерної системи на основі нечітких дерев рішень(Національний університет "Полтавська політехніка ім. Юрія Кондратюка", 2023) Гавриленко, Світлана Юріївна; Челак, Віктор ВолодимировичПредметом дослідження є методи та засоби ідентифікації стану комп'ютерної системи. Метою статті є підвищення якості класифікації даних за рахунок розробки методу ідентифікації стану комп’ютерної системи. Завдання: дослідити методи ідентифікації стану комп’ютерної системи та розробити метод класифікації стану комп'ютерної системи з метою захисту даних. Використовуваними методами є: методи штучного інтелекту, машинного навчання. Отримано такі результати: досліджено методи ідентифікації стану комп’ютерної системи KNN (k-nearest neighbors), метод опорних векторів (SVM), нейронні мережі, дерева рішень. Запропоновано метод ідентифікації стану комп’ютерної системи на основі нечітких дерев рішень, який відрізняється від відомих методів побудови наявністю спеціальної процедури фазифікації атрибутів вихідних даних та побудови функції приналежності. Розроблено програмне забезпечення, в якому реалізовано та досліджено запропонований метод вирішення задачі ідентифікації стану комп'ютерної системи. Висновки. Наукова новизна отриманих результатів полягає у дослідженні методів ідентифікації стану комп'ютерної системи, розробці методу на основі нечітких дерев рішень, оцінці якості моделі на етапі навчання та тестування, виконання порівняльного аналізу.Документ Построение системы поддержки принятия решений на основе нечетких данных(Національний технічний університет "Харківський політехнічний інститут", 2020) Левашенко, Виталий Григорьевич; Ляшенко, Алексей Сергеевич; Кучук, Георгий АнатольевичРазработка инструментария оценки принимаемых решений является актуальной и востребованной задачей на современном этапе развития информационных технологий. Таким инструментарием являются, например, системы поддержки принятия решений (СППР). В работе предлагается математический аппарат построения СППР. Построение СППР предполагает анализ имеющихся результатов наблюдений или измерений и выработкустратегии проверок исходных параметров в виде дерева нечетких решений или продукционных правил. Основу предлагаемого аппарата составляют суммарные информационные оценки (информация и энтропия) для нечетких наборов данных. Использование нечетких данных наиболее полно соответствует человеческой природе, поскольку на практике люди часто применяют субъективные ощущения и априорные знания, чем точные вероятностные критерии. Поэтому, используя нечеткую логику и рассматривая степень возможности как нечеткую меру, эксперты имеют возможность описывать реальные данные с достаточной точностью. Исследована взаимосвязь предложенных суммарных информационных оценок. В работе приведены примеры, демонстрирующие использование предлагаемого математического аппарата на практической задаче. В дальнейшей работе, авторы планируют привести результаты экспериментальных исследований предлагаемого подхода и его сопоставление с иными известными методами и алгоритмами. Указанное сопоставление представляется для широкого круга формализованных данных, хранящихся в известном репозитории UCI Machine Learning Repository. В качестве сопоставляемых методов и алгоритмов планируется выбрать иные алгоритмы построения деревьев нечетких решений, алгоритмы Байесовской классификации, построения деревьев решений C4.5, CART и метод ближайших соседей.