The problem of decomposition of a training sequence (TS) is formulated. Two types of TS decomposition for a centralized database are formulated. Theorems concerning memory occupancy by the TS after decomposition are proved. The calculation complexity of decomposition algorithms is estimated. The results of a calculation experiment are presented that illustrate memory occupancy depending on the decomposition type, the redundancy of features in the tree, the path, and the tree height.
PL
Sformułowano problem dekompozycji ciągu uczącego (CU). Zdefiniowano dwa rodzaje dekompozycji CU dla scentralizowanej bazy danych (SBD). Udowodniono twierdzenia dotyczące zajętości pamięci przez CU po dekompozycji. Oszacowano złożoność obliczeniową algorytmów dekompozycji. Przedstawiono wyniki eksperymentu obliczeniowego ilustrującego zajętość pamięci w zależności od rodzaju dekompozycji, redundancji cech w drzewie i na ścieżce oraz wysokości drzewa.
Przedmiotem pracy jest przedstawienie informatycznego systemu wspomagającego proces wieloetapowego podejmowania decyzji w procesie wieloetapowego rozpoznawania obiektów. Przedstawiono ideę rozpoznawania wieloetapowego jako metodę polegającą na dekompozycji problemu decyzyjnego. Przedstawiono charakterystykę drzewa decyzyjnego i ciągu uczącego. Zaprezentowano bazę wiedzy i operacyjną bazę danych do rozpoznawania wieloetapowego. Omówiono współpracę algorytmów rozpoznawania z bazą danych.
EN
The subject of this paper is to present the specificity of computer system for systems of multistage decision making in the process multistage pattern recognition. The paper presents the idea of multi-stage recognition as a method involving the decomposition of the decision problem. The characteristics of the decision tree and the learning sequence are presented. Knowledge base and operational database to a multi-step recognition are presented. Cooperation recognition algorithms to the database are discussed.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
The paper deals with fuzzy inference systems for multistage recognition based on a decision tree scheme. Two conceptually different fuzzy methods are presented and discussed for the given learning set. The first method is developed according to the multistage approach known as the Mamdani inference engine, with rules generated from the learning set. In the second approach, we first construct a fuzzy relation between the decision set and the feature space, which is then used for decision making. Both methods were practically applied to computer-aided medical diagnosis of acute renal failure. Results of comparative experimental analysis are given.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.