W pracy rozważane było zagadnienie bayesowskiej klasyfikacji wielowymiarowej informacji niedokładnej typu przedziałowego, zapewniające minimum potencjalnych strat wynikających z błędnych klasyfikacji. ... więcej

W pracy rozważane było zagadnienie bayesowskiej klasyfikacji wielowymiarowej informacji niedokładnej typu przedziałowego, zapewniające minimum potencjalnych strat wynikających z błędnych klasyfikacji. 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. Również opracowywana została funkcja mająca na celu poprawę parametru wygładzania oraz zmianę intensywności jego modyfikacji do celów klasyfikacji. Powyższa procedura została sprawdzona także dla przypadku, gdy wzorce wyznaczane są w wyniku klasteryzacji. Opisane prace prowadzone są w ramach przygotowań rozprawy doktorskiej.

The concept of interval information classification is based on the Bayes approach, ensuring a minimum of potential losses arising from misclassifications, was investigated. For a such-formulated problem ... więcej

The concept of interval information classification is based on the Bayes approach, ensuring a minimum of potential losses arising from misclassifications, was investigated. For a such-formulated problem the methodology of statistical kernel estimators has been used, which freed the above procedure from arbitrary assumptions concerning the shapes of samples - their identification constitutes an integral part of the presented algorithm. A procedure has also been worked out for reducing samples by those elements having negligible or even negative influence on the correctness of classification. Its concept has been based on a sensitivity method, inspired by artificial neural networks theory, while the goal is to increase the number of proper classifications as well as, primarily, calculation speed. Additionally, function of smoothing parameter and it's intensity correction was worked out. 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. All these algorithms was investigated as a prepare PhD thesis.