Модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема и его применение

Обложка

Цитировать

Полный текст

Аннотация

Предлагается модифицированный непараметрический алгоритм автоматической классификации статистических данных большого объема. По этим данным осуществляется синтез регрессионной оценки плотности вероятности. Полученная информация является основой алгоритмизации процедуры автоматической классификации. Вычислительная эффективность модифицированного непараметрического алгоритма автоматической классификации статистических данных большого объема обеспечивается процедурой сжатия исходных данных, совершенствованием и алгоритмизацией традиционной непараметрической методики обнаружения классов. Эффективность разработанной методики автоматической классификации подтверждается результатами ее применения при анализе данных дистанционного зондирования лесных массивов, поврежденных сибирским шелкопрядом.

Об авторах

Виталий Павлович Тубольцев

Сибирский государственный университет науки и технологий им. акад. М. Ф. Решетнева

Автор, ответственный за переписку.
Email: vitalya.98@mail.ru

аспирант

Россия, Красноярск

Александр Васильевич Лапко

Сибирский государственный университет науки и технологий им. акад. М. Ф. Решетнева; Институт вычислительного моделирования СО РАН

Email: lapko@icm.krasn.ru

доктор технических наук, профессор, главный научный сотрудник

Россия, Красноярск; Красноярск

Василий Александрович Лапко

Сибирский государственный университет науки и технологий им. акад. М. Ф. Решетнева; Институт вычислительного моделирования СО РАН

Email: valapko@yandex.ru

доктор технических наук, профессор, ведущий научный сотрудник

Россия, Красноярск; Красноярск

Список литературы

  1. Дорофеюк А.А. Алгоритмы автоматической классификации (обзор) // Автоматика и телемеханика. 1971. №
  2. 12. С. 78-113.
  3. Дорофеюк А.А. Методология экспертно-классификационного анализа в задачах управления и обработки сложноорганизованных данных (история и перспективы развития) // Проблемы управления. 2009. № 3.1. С. 19-28.
  4. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970.
  5. Васильев В.И., Эш С.Н. Особенности алгоритмов самообучения и кластеризации // Управляющие системы и машины. 2011. № 3. С. 3-9.
  6. Parzen E. On estimation of a probability density function and mode // Annals of Mathematical Statistics. 1962. V. 33. No 3. P. 1065-1076.
  7. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятности и ее применения. 1969. Т. 14. № 1. С. 156-161.
  8. Лапко А.В., Лапко В.А. Непараметрический алгоритм автоматической классификации в условиях статистических данных большого объема // Информатика и системы управления. 2018. Т. 57. № 3. С. 59-70.
  9. Зеньков И.В., Лапко А.В., Лапко В.А., Им С.Т., Тубольцев В.П., Авдеенок В.Л. Непараметрический алгоритм автоматической классификации многомерных статистических данных большого объёма и его применение // Компьютерная оптика. 2021. Т. 45. № 2. С. 253-260.
  10. Васильева И.К., Попов А.В. Метод автоматической кластеризации данных дистанционного зондирования // Авиационно-космическая техника и технология. 2019. Т. 155. № 3. С. 64-75. 10. Лапко А.В., Лапко В.А. Регрессионная оценка многомерной плотности вероятности и её свойства // Автометрия. 2014. Т. 50. № 2. С. 50-56.
  11. Лапко А.В., Лапко В.А. Ядерные оценки плотности вероятности и их применение. Красноярск: СибГУ им. М.Ф. Решетнёва. 2021.
  12. Rudemo M. Empirical choice of histogram and kernel density estimators // Scandinavian Journal of Statistics. 1982. V. 9. No 2. P. 65-78.
  13. Hall P. Large-sample optimality of least squares cross-validation in density estimation // Annals of Statistics. 1983. V. 11. No 4. P. 1156-1174.
  14. Bowman A.W. An alternative method of cross-validation for the smoothing of density estimates // Biometrika. 1984. V. 71. No 2. P. 353-360.
  15. Heinhold I., Gaede K.W. Ingeniur statistic. München: Wien, Springler Verlag, 1964.
  16. Chavez P.S. Image-based atmospheric correction revisited and improved // Photogrammetric Engineering and Remote Sensing. 1996. V. 62. No 9. P. 1025-1036.
  17. Лапко А.В., Лапко В.А., Им С.Т., Тубольцев В.П., Авдеенок В.Л. Программа автоматической классификации данных дистанционного зондирования Земли на основе непараметрических алгоритмов принятия решений (NAC v. 2.0) // Свидетельство о государственной регистрации программы для ЭВМ № 2022619023 от 18.05.2022. Федеральная служба по интеллектуальной собственности, 2022.
  18. Lemenkova P. ISO Cluster classifier by ArcGIS for unsupervised classification of the Landsat TM image of Reykjavík. University thought // Bulletin of Natural Sciences Research. 2021. V. 11. No 1. P. 29-37.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».