Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods
The new method of training and test sample forming from primary sample is proposed. It preserves in a generated sub-sample the most important topological properties of the original sample and did not even needs to load of the original sample into computer memory. It provides a sequential exemplar pr...
Збережено в:
| Дата: | 2013 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | rus |
| Опубліковано: |
Інститут проблем реєстрації інформації НАН України
2013
|
| Теми: | |
| Онлайн доступ: | http://drsp.ipri.kiev.ua/article/view/103417 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Data Recording, Storage & Processing |
Репозитарії
Data Recording, Storage & Processing| id |
drspiprikievua-article-103417 |
|---|---|
| record_format |
ojs |
| spelling |
drspiprikievua-article-1034172020-12-28T16:35:46Z Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods Разбиение исходной выборки большого объема для решения задач диагностики и распознавания образов на основе методов вычислительного интеллекта Розбиття вихідної вибірки великого обсягу для вирішення задач діагностики та розпізнавання образів на основі методів обчислювального інтелекту Subbotin, S. A. sample dimension reduction sample selection recognition diagnosis выборка сокращение размерности данных отбор экземпляров распознавание диагностика вибірка скорочення розмірності даних відбір екземплярів розпізнавання діагностика The new method of training and test sample forming from primary sample is proposed. It preserves in a generated sub-sample the most important topological properties of the original sample and did not even needs to load of the original sample into computer memory. It provides a sequential exemplar processing and performs transformation of the multi-dimensional coordinate set to the one-dimensional, which is also discretized to improve the data generalization properties. This allows to significantly reduce the sample size, and to significantly decrease the requirements to computer resources. Tabl.: 1. Refs: 12 titles. Предложен новый методразбиения исходной выборки на обучающую и тестовую, сохраняющий в сгенерированной подвыборке наиболее важные топологические свойства исходной выборки и не требующий ее загрузки в память. Он обеспечивает последовательную обработку экземпляров, а также выполняет преобразование многомерных координат в одномерные и дискретизацию для улучшения обобщающих свойств. Метод позволяет значительно уменьшить размер выборки и снизить требования к ресурсам компьютера. Запропоновано новий метод розбиття вихідної вибірки на навчальну та тестову, що зберігає в згенерованій підвибірці найбільш важливі топологічні властивості вихідної вибірки і не потребує її завантаження у пам’ять. Він забезпечує послідовну обробку екземплярів, а також виконує перетворення багатовимірних координат у одновимірні і дискретизацію для поліпшення узагальнювальних властивостей. Метод дозволяє значно зменшити розмір вибірки і знизити вимоги до ресурсів комп’ютера. Табл.: 1. Бібліогр.: 12 найм. Інститут проблем реєстрації інформації НАН України 2013-12-08 Article Article application/pdf http://drsp.ipri.kiev.ua/article/view/103417 10.35681/1560-9189.2013.15.4.103417 Data Recording, Storage & Processing; Vol. 15 No. 4 (2013); 13–22 Регистрация, хранение и обработка данных; Том 15 № 4 (2013); 13–22 Реєстрація, зберігання і обробка даних; Том 15 № 4 (2013); 13–22 1560-9189 rus http://drsp.ipri.kiev.ua/article/view/103417/98553 Авторське право (c) 2013 Реєстрація, зберігання і обробка даних |
| institution |
Data Recording, Storage & Processing |
| collection |
OJS |
| language |
rus |
| topic |
sample dimension reduction sample selection recognition diagnosis выборка сокращение размерности данных отбор экземпляров распознавание диагностика вибірка скорочення розмірності даних відбір екземплярів розпізнавання діагностика |
| spellingShingle |
sample dimension reduction sample selection recognition diagnosis выборка сокращение размерности данных отбор экземпляров распознавание диагностика вибірка скорочення розмірності даних відбір екземплярів розпізнавання діагностика Subbotin, S. A. Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| topic_facet |
sample dimension reduction sample selection recognition diagnosis выборка сокращение размерности данных отбор экземпляров распознавание диагностика вибірка скорочення розмірності даних відбір екземплярів розпізнавання діагностика |
| format |
Article |
| author |
Subbotin, S. A. |
| author_facet |
Subbotin, S. A. |
| author_sort |
Subbotin, S. A. |
| title |
Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| title_short |
Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| title_full |
Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| title_fullStr |
Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| title_full_unstemmed |
Primary Large Sample Partitioning for Diagnosis and Recognition Problem Solving on the Basis of Computational Intelligence Methods |
| title_sort |
primary large sample partitioning for diagnosis and recognition problem solving on the basis of computational intelligence methods |
| title_alt |
Разбиение исходной выборки большого объема для решения задач диагностики и распознавания образов на основе методов вычислительного интеллекта Розбиття вихідної вибірки великого обсягу для вирішення задач діагностики та розпізнавання образів на основі методів обчислювального інтелекту |
| description |
The new method of training and test sample forming from primary sample is proposed. It preserves in a generated sub-sample the most important topological properties of the original sample and did not even needs to load of the original sample into computer memory. It provides a sequential exemplar processing and performs transformation of the multi-dimensional coordinate set to the one-dimensional, which is also discretized to improve the data generalization properties. This allows to significantly reduce the sample size, and to significantly decrease the requirements to computer resources. Tabl.: 1. Refs: 12 titles. |
| publisher |
Інститут проблем реєстрації інформації НАН України |
| publishDate |
2013 |
| url |
http://drsp.ipri.kiev.ua/article/view/103417 |
| work_keys_str_mv |
AT subbotinsa primarylargesamplepartitioningfordiagnosisandrecognitionproblemsolvingonthebasisofcomputationalintelligencemethods AT subbotinsa razbienieishodnojvyborkibolʹšogoobʺemadlârešeniâzadačdiagnostikiiraspoznavaniâobrazovnaosnovemetodovvyčislitelʹnogointellekta AT subbotinsa rozbittâvihídnoívibírkivelikogoobsâgudlâviríšennâzadačdíagnostikitarozpíznavannâobrazívnaosnovímetodívobčislûvalʹnogoíntelektu |
| first_indexed |
2024-04-21T19:33:27Z |
| last_indexed |
2024-04-21T19:33:27Z |
| _version_ |
1796974059384209408 |