W pracy rozważane jest zagadnienie bayesowskiej klasyfikacji wielowymiarowej informacji niedokładnej typu przedziałowego, z użyciem wzorców wyznaczonych na podstawie danych określonych jednoznacznie ... więcej

W pracy rozważane jest zagadnienie bayesowskiej klasyfikacji wielowymiarowej informacji niedokładnej typu przedziałowego, z użyciem wzorców wyznaczonych na podstawie danych określonych jednoznacznie (np. deterministycznych albo ostrych). Do powyższego zadania zastosowana została metodyka statystycznych estymatorów jądrowych, co pozwala wyeliminować konieczność dokonywania arbitralnych założeń dotyczących postaci wzorców. Dodatkowo dokonywana jest eliminacja tych elementów prób wzorcowych, które mają znikomy lub wręcz negatywny wpływ na poprawność klasyfikacji. Koncepcję realizującej ten cel procedury oparto na metodzie wrażliwościowej, wzorowanej na teorii sztucznych sieci neuronowych. W wyniku jej działania ilość poprawnych klasyfikacji i - przede wszystkim - szybkość obliczeń uległy istotnemu zwiększeniu. Powyższa procedura została sprawdzona także dla przypadku, gdy wzorce wyznaczane są w wyniku klasteryzacji.

In the framework of this project, a research for different aspects of Bayes classification of interval information, was investigated. In particular, the problems of nonparametric estimation in tasks of ... więcej

In the framework of this project, a research for different aspects of Bayes classification of interval information, was investigated. In particular, the problems of nonparametric estimation in tasks of classification based on representation causes elements generating samples to be defined uniformly were considered. The investigations additionally concerning tasks for reducion of samples by those elements having negligible or even negative influence on the correctness of classification, were worked out. This concept has been based on a sensitivity method, inspired by artificial neural networks theory. The veracity of the presented method has also been tested for the case where the samples of particular classes were obtained as a result of clustering.