Projekcja i selekcja atrybutów w identyfikacji modeli dynamicznych metodami odkryć wiedzy w bazach danych

• Autorzy: Wachla D.

Warianty tytułu

EN

The projection and selection of the attributes for identification of dynamic models using KDD methods

• Języki publikacji: PL

Abstrakty

PL

W artykule poruszono problem projekcji i selekcji atrybutów w bazach danych dla potrzeb budowy ilościowych modeli obiektów dynamicznych. Za pomocą operacji projekcji dokonywane jest przekształcenie atrybutów w wielowymiarową przestrzeń regresorów. Następnie, w przestrzeni regresorów wybierany jest zbiór atrybutów, które w sensie funkcyjnym najlepiej opisują zmienną zależną. Zmienna, zależną jest tu jeden lub kilka atrybutów, wcześniej wybranych z przestrzeni regresorów. Opisaną metodę zweryfikowano dla problemu określenia zbioru zmiennych niezależnych tworzących model przykładowego, nieliniowego systemu dynamicznego typu MISO. Przedstawiono przyjęte założenia, fragmenty uzyskanych wyników i wnioski z przeprowadzonych badań.

EN

In the article, the problem of the projection and selection of the attributes in the databases for the needs of building quantitative dynamics models has been looked into. By means of the projection operation, the transformation of the attributes into multidimensional space of regressors is carried out. Later on, in the rcgrcssors space such a set of attributes is chosen which, in a functional sense, best describes a dependent variable. The dependent variable constitutes one or few attributes previously picked up from the regressors space. The described method for the problem of defining a set of independent variables forming a model of exemplary nonlinear dynamic MISO-type system was verified. The assumptions, the fragments of procured results and the results of conducted research are presented.

Słowa kluczowe

PL

odkrywanie wiedzy w bazach danych; identyfikacja systemów; algorytmy genetyczne; metoda wektorów wspomagających; selekcja atrybutów relewantnych

EN

knowledge discovery in databases; system identification; genetic algorithms; support vector machine; selection of relevant attributes

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 142--144
• Opis fizyczny: Bibliogr. 12 poz., schem., tab., wzory

Twórcy

autor

Wachla D.

• Politechnika Śląska, Katedra Podstaw Konstrukcji Maszyn

Bibliografia

• [1] Akaike H., A new look at the statistical model identification. IEEI Transactions on Automatic Control, 19, s. 716-723, 1974.
• [2] Arabas J., Wykłady z algorytmów genetycznych. WNT, Warszawa, 2001.
• [3] Chang C .C., Lin C. J.: LIBSVM A Library for Support Vector Machines. http://www.csie.ntu.edu.tw/-cjlin/libsvm/
• [4] Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. WNT, Warszawa, 1998.
• [5] Kohavi R., Georg H. J., Wrappers for Features Subset Selection. Journal of Artificial Intelligence, Vol. 97, p. 273-324, 1997.
• [6] Korbicz J., Witczak M., Programowanie genetyczne w diagnostyce uszkodzeń i identyfikacji nieliniowych systemów dynamicznych. Diagnostyka Procesów. Modele, Metody Sztucznej Jnteligencji, Zastosowania (red. J. Korbicz, J. M. Kościelny, Z. Kowalczuk, W. Cholewa), s. 427-464, WNT, Warszawa 2002.
• [7] Narendra K. S., Parthasarathy K. Identification and control of dynamics systems using neural networks. IEEE Transactions on Neural Networks l (l), s. 4-27, 1990.
• [8] Schölkopf B., Bartlett P., Smola A., Williamson R., Shrinking the Tubs: A New Support Vector Regression Algorithm. Advances in Neural Information Processing System, 11, MIT Press, Cambridge, MA 1999.
• [9] Smola A.J., Schölkopf B. A., Tutorial on Support Vector Regression NeuroCOLT Technical Report NC-TR-98-030, Royal Holloway. College, University of London, UK, 1998.
• [10] Soderström T., Stoica P., Identyfikacja systemów. PWN. Warszawa, 1997.
• [11] Vapnik V., The Nature of Statistical Learning Theory. Springer Verlag, New York, 1995.
• [12] Wachla D., The general concept of a method for discovering the quantitative dynamics. Symposium on Methods of Artificial Intelligence, Gliwice 2004, s. 289-292.