Ласкаво просимо  на сайт про Метод Групового Урахування  Аргументів (МГУА)

 








 

 

Метод Групового Урахування Аргументів застосовується у самих різноманітних областях для аналізу даних та знаходження знань, прогнозування і моделювання систем, оптимізації і розпізнавання образів. Індуктивні алгоритми МГУА дають унікальну можливість автоматично знаходити взаємозалежності у даних, вибрати оптимальну структуру моделі чи мережі, підвищувати точність існуючих алгоритмів.

Criterion Characteristic Цей підхід самоорганізації моделей принципово відрізняеться від дедуктивних методів, що звичайно використовуються. Він заснований на індуктивних принципах - вирішення задач засновано на переборі по зовнішньому критерію.

За допомогою перебору різних розв'язань методи індуктивного моделювання намагаються мінімізувати роль припущень автора у результатах моделювання. Компьютер сам знаходить структуру моделі і закони, що діють в об'екті. Він може бути використаний при створенні штучного інтелекту як радник для вирішення суперечок та прийнятті рішень.

Метод Групового Урахування Аргументів складається з декількох алгоритмів для вирішення різних задач. В нього входять як параметричні, так і алгоритми кластеризації, комплексування аналогів, ребінаризації та ймовірностні алгоритми. Цей підхід самоорганізації заснований на переборі моделей, що поступово ускладнюються та на виборі найкращого розв'язку згідно з мінімумом зовнішнього критерія. В якості базисних моделей використовуються не тільки поліноми, але й також нелінійні, ймовірностні функції чи кластеризації.

МГУА може бути користним тому що:

  • Знаходиться оптимальна складність структури моделі, адекватна до рівня завад у вибірці даних. (Для вирішення реальних проблем з зашумленими чи обмежиними даними, спрощені прогнозуючі моделі є більш точними.)
  • Кількість шарів і нейронів у схованих шарах, структура і інщі оптимальні параметри нейромереж знаходяться автоматично.
  • Гарантується знаходження найбільш точної чи незміщеної моделі - метод не пропускає найкращого рішення під час перебору всіх варіантів (у заданному класі функцій)
  • Будь-які нелінійні функції чи ознаки, що можуть мати вплив на вихідну змінну використовуються як вхідні аргументи
  • Автоматично знаходить інтерпретуємі взаємозв'язки у даних і обираються ефективні вхідні змінні
  • Переборні алгоритми МГУА досить просто запрограмувати
  • Мережі МГУА використовуються для підвищення точності інших алгоритмів моделювання
  • Метод використовує інформацію безпосередньо з вибірки даних і мінімізує вплив апріорних припущень автора про результати моделювання
  • Дає можливість знаходження незміщенної фізичної моделі об'єкта (закону чи кластеризації) - однієй і тої ж для всіх майбутніх вибірок.

З 1968 року багато досліджень та застосувань МГУА було проведено у багатьох країнах. Він був використаний у багатьох комерційних програмних продуктах.

Новини

  • Міжнародний воркшоп з Індуктивного Моделювання IWIM'2021 як частина Конференції IEEE CSIT'2021 відбудеться з 22 по 25 вересня у Львівській Політехніці

  • Завантажені нові статті та книги

    Публікації
  • Книги 'Индуктивный метод самоорганизации моделей сложных систем', 'Помехоустойчивость моделирования' і 'Статистичне моделювання та прогнозування' є доступними
  • Книга Й-А.Мюллера і Ф.Лемке 'Self-Organising Data Mining. An Intelligent Approach To Extract Knowledge From Data' може бути придбана та завантажена

    On-line програми
  • Алгоритм GN є доступним для он-лайн розрахунків на першому та другому сервері.


  •