Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

2 2020

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Group decision support system based on Bayesian network

Kvyetnyy Roman N., Kuzmina Natalia F., Poplavskyy Olexander A., Drabovska Vira A., Kuzmik Valentyna B., Gromaszek Konrad, Kalizhanova Aliya, Smaillova Saule

Przegląd Elektrotechniczny

2020

R. 96, nr 9

123--128

The article examines the process of building a developed group decision support system, its analytical and informational support. Different modes of the operation of the system are described. Software implementation and practical aspects of using such a system to resolve conflicts in supporting group decision making process are proposed. The experimental results, which allowed to confirm the effectiveness of the developed system and its application for evaluation and teaching of users are presented.

Artykuł analizuje proces budowy rozwiniętego systemu wspomagania decyzji grupowych, jego wsparcie analityczne i informacyjne. Opisano różne tryby działania systemu. Proponowane jest wdrożenie oprogramowania i praktyczne aspekty korzystania z takiego systemu do rozwiązywania konfliktów we wspieraniu grupowego procesu decyzyjnego. Przedstawiono wyniki eksperymentów, które pozwoliły potwierdzić skuteczność opracowanego systemu i jego zastosowania do oceny i nauczania użytkowników.

Approach to creating an ensemble on a hierarchy of clusters using model decisions correlation

Manziuk Eduard A., Wójcik Waldemar, Barmak Olexander V., Krak Iurii V., Kulias Anatolii I., Drabovska Vira A., Puhach Vitalina M., Sundetov Samat, Mussabekova Aisha

Przegląd Elektrotechniczny

2020

R. 96, nr 9

108--113

In the article, an approach based on clustering is proposed, according to which the influence of an individual model is inversely proportional to the volumes of aggregated groups. With this approach, the influence of an individual solution of the model, which differs from others, is significantly increased. Aggregation of groups is made in direct proportion to the correlation of decisions. Moreover, the aggregation of groups of models is performed according to the hierarchical structure of the ensemble. The solutions of strongly correlated groups of models are replaced by a single cluster solution. This solution at the next level can be grouped with other closest groups of models. Due to this architecture, the level of influence of a single solution of the model is increased. The main advantage of the proposed approach is the determination of the structure of the ensemble depending on the correlation of model decisions. Clusterization of decisions for features of similarity enhances the role of diversity and allows levelling out the error of an individual decision at a local level and to provide acceptable global indicators of cluster efficiency. Advantage of the proposed approach is the possibility of building an ensemble based on the properties of the correlation parameters.

W artykule zaproponowano podejście oparte na grupowaniu, zgodnie z którym wpływ modelu indywidualnego jest odwrotnie proporcjonalny do wielkości grup zagregowanych. Dzięki takiemu podejściu wpływ indywidualnego rozwiązania modelu, różniącego się od innych, jest znacząco zwiększony. Agregacja grup jest dokonywana w sposób wprost proporcjonalny do korelacji decyzji. Ponadto agregacja grup modeli odbywa się zgodnie z hierarchiczną strukturą zespołu. Rozwiązania silnie skorelowanych grup modeli są zastępowane przez jedno rozwiązanie klastrowe. Rozwiązanie to na kolejnym poziomie może być grupowane z innymi najbliższymi grupami modeli. Ze względu na taką architekturę zwiększa się poziom wpływu pojedynczego rozwiązania modelu. Główną zaletą proponowanego podejścia jest określenie struktury zespołu w zależności od korelacji decyzji modelowych. Klasteryzacja decyzji dla cech podobieństwa zwiększa rolę różnorodności i pozwala na wyrównanie błędu pojedynczej decyzji na poziomie lokalnym oraz zapewnienie akceptowalnych globalnych wskaźników efektywności klastra. Zaletą proponowanego podejścia jest możliwość budowania zespołu w oparciu o właściwości parametrów korelacji.