📄Работа №21719
Тема: Решение задачи классификации в условиях неполной информации
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
45 листов
Год:
2016
Просмотров:
653
5600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 4
1 Задача распознавания образов в технической диагностике 6
1.1 Задача интеллектуального анализа данных - Data Mining 6
1.2 Задачи классификации и кластеризации 8
1.3 Задача технической диагностики 10
1.4 Обзор решаемых задач 11
1.5 Выбор программных средств разработки 17
1.6 Выводы 21
2 Обзор методов классификации и кластеризации 22
2.1 Метод k ближайших соседей 22
2.2 Алгоритм FRiS-STOLP 23
2.3 Алгоритм FOREL 26
2.4 Метод k-средних 32
2.5 Кластеризатор на основе нейронной сети Кохонена 34
2.6 Выводы 40
3 Численные исследования 41
3.1 Задача 1 - «Ирисы Фишера» 41
3.2 Задача 2 - одна партия ЭРИ 44
3.3 Задача 3 - несколько партий ЭРИ 46
3.4 Выводы 50
ЗАКЛЮЧЕНИЕ 51
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 52
ПРИЛОЖЕНИЕ А Техническое задание 53
1 Задача распознавания образов в технической диагностике 6
1.1 Задача интеллектуального анализа данных - Data Mining 6
1.2 Задачи классификации и кластеризации 8
1.3 Задача технической диагностики 10
1.4 Обзор решаемых задач 11
1.5 Выбор программных средств разработки 17
1.6 Выводы 21
2 Обзор методов классификации и кластеризации 22
2.1 Метод k ближайших соседей 22
2.2 Алгоритм FRiS-STOLP 23
2.3 Алгоритм FOREL 26
2.4 Метод k-средних 32
2.5 Кластеризатор на основе нейронной сети Кохонена 34
2.6 Выводы 40
3 Численные исследования 41
3.1 Задача 1 - «Ирисы Фишера» 41
3.2 Задача 2 - одна партия ЭРИ 44
3.3 Задача 3 - несколько партий ЭРИ 46
3.4 Выводы 50
ЗАКЛЮЧЕНИЕ 51
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 52
ПРИЛОЖЕНИЕ А Техническое задание 53
📖 Введение
В современном мире на первый план выходят компьютерные технологии, информационные системы, управление и прочие направления, важные для развития новых технологий. Быстрый ритм жизни способствует разработке многофункциональной продукции, которая значительно упрощает нашу жизнь. Именно поэтому наша повседневная жизнь сильно зависит от бытовых приборов, техники и прочих приспособлений, автоматизирующих трудоемкие процессы.
Под технической диагностикой понимают определение технического состояния устройства. Актуальность выбранной темы обусловлена значимостью технической диагностики перед эксплуатацией каких-либо механизмов или микросхем. В работе рассматривался вопрос технической диагностики электрорадиоизделий (ЭРИ).
На сегодняшний день существует множество предприятий, осуществляющих анализ отказов и выявление скрытых дефектов ЭРИ и полупроводниковых приборов. Проведение контроля качества ЭРИ позволяет обнаружить изделия с отклонениями или обеспечить гарантию их работы.
На территории России имеется несколько испытательных центров ракетно-космической промышленности, занимающихся испытаниями ЭКБ для бортовой аппаратуры. Они взаимодействуют с производителями и поставщиками, а также участвуют при разработке методик входного контроля. Одним таких центров Красноярского края является Железногорское ОАО «ИТЦ - НПО ПМ».
В компьютерной диагностике большую роль играет обработка данных. В связи с большим количеством исследуемых данных их обработка становится все более затруднительной. Поэтому разрабатываются специальные методы, позволяющие работать с многомерными наблюдениями. К одним из таких способов относят задачи классификации и кластеризации.
Задача классификации относится к разделу обучения с учителем. Для задач данного типа характерно контролируемое обучение с присутствием обучающего множества с указанной принадлежностью объектов к классам. Задача кластеризации относится к разделу обучения без учителя. Для задач данного типа характерно неконтролируемое обучение, когда принадлежность объектов к каким-либо классам не указана. Множество объектов необходимо разделить на один или более кластеров данных.
Цель работы: повышение точности решения задачи распознавания образов при компьютерной диагностике электрорадиоизделий.
Задачи работы:
• реализовать и исследовать алгоритмы классификации: k-ближайших соседей, FRiS-STOLP;
• реализовать и исследовать алгоритмы кластеризации: FOREL, k-средних, кластеризатор на основе самоорганизующейся сети Кохонена;
• проанализировать особенности работы алгоритмов на модельных и реальных данных, сравнить полученные результаты;
• разработать автоматизированную систему для решения задачи распознавания образов.
Выпускная квалификационная работа состоит из введения, трёх глав, заключения, списка используемых источников, приложения.
В первой главе раскрываются теоретические основы предметной области: определяются понятия и основные аспекты задач классификации и кластеризации, освящаются способы их решения. Также рассматриваются задачи, решаемые в ходе выполнения работы, приведены иллюстрации с распределениями массивов данных по различным срезам, обосновывается выбор программных средств разработки.
Во второй главе исследуются особенности разрабатываемых алгоритмов, дается краткое описание алгоритма, используемые параметры, коэффициенты и входные данные, описывается порядок выполнения алгоритма, приводятся примеры работы алгоритма на модельных данных с иллюстрациями, определяются основные достоинства и недостатки рассматриваемых методов.
В третьей главе приводится подробное решение исходных задач с иллюстрациями, таблицами результатов и сравнением полученных данных различными алгоритмами при использовании разработанной автоматизированной системы.
Данная работа является исследовательской и может быть полезна при решении задачи технической диагностики.
Под технической диагностикой понимают определение технического состояния устройства. Актуальность выбранной темы обусловлена значимостью технической диагностики перед эксплуатацией каких-либо механизмов или микросхем. В работе рассматривался вопрос технической диагностики электрорадиоизделий (ЭРИ).
На сегодняшний день существует множество предприятий, осуществляющих анализ отказов и выявление скрытых дефектов ЭРИ и полупроводниковых приборов. Проведение контроля качества ЭРИ позволяет обнаружить изделия с отклонениями или обеспечить гарантию их работы.
На территории России имеется несколько испытательных центров ракетно-космической промышленности, занимающихся испытаниями ЭКБ для бортовой аппаратуры. Они взаимодействуют с производителями и поставщиками, а также участвуют при разработке методик входного контроля. Одним таких центров Красноярского края является Железногорское ОАО «ИТЦ - НПО ПМ».
В компьютерной диагностике большую роль играет обработка данных. В связи с большим количеством исследуемых данных их обработка становится все более затруднительной. Поэтому разрабатываются специальные методы, позволяющие работать с многомерными наблюдениями. К одним из таких способов относят задачи классификации и кластеризации.
Задача классификации относится к разделу обучения с учителем. Для задач данного типа характерно контролируемое обучение с присутствием обучающего множества с указанной принадлежностью объектов к классам. Задача кластеризации относится к разделу обучения без учителя. Для задач данного типа характерно неконтролируемое обучение, когда принадлежность объектов к каким-либо классам не указана. Множество объектов необходимо разделить на один или более кластеров данных.
Цель работы: повышение точности решения задачи распознавания образов при компьютерной диагностике электрорадиоизделий.
Задачи работы:
• реализовать и исследовать алгоритмы классификации: k-ближайших соседей, FRiS-STOLP;
• реализовать и исследовать алгоритмы кластеризации: FOREL, k-средних, кластеризатор на основе самоорганизующейся сети Кохонена;
• проанализировать особенности работы алгоритмов на модельных и реальных данных, сравнить полученные результаты;
• разработать автоматизированную систему для решения задачи распознавания образов.
Выпускная квалификационная работа состоит из введения, трёх глав, заключения, списка используемых источников, приложения.
В первой главе раскрываются теоретические основы предметной области: определяются понятия и основные аспекты задач классификации и кластеризации, освящаются способы их решения. Также рассматриваются задачи, решаемые в ходе выполнения работы, приведены иллюстрации с распределениями массивов данных по различным срезам, обосновывается выбор программных средств разработки.
Во второй главе исследуются особенности разрабатываемых алгоритмов, дается краткое описание алгоритма, используемые параметры, коэффициенты и входные данные, описывается порядок выполнения алгоритма, приводятся примеры работы алгоритма на модельных данных с иллюстрациями, определяются основные достоинства и недостатки рассматриваемых методов.
В третьей главе приводится подробное решение исходных задач с иллюстрациями, таблицами результатов и сравнением полученных данных различными алгоритмами при использовании разработанной автоматизированной системы.
Данная работа является исследовательской и может быть полезна при решении задачи технической диагностики.
✅ Заключение
В работе были исследованы следующие алгоритмы: k-ближайших соседей, FRiS-STOLP, FOREL, k-средних, кластеризатор на основе самоорганизующейся сети Кохонена, а также разработана автоматизированная система для решения задачи распознавания образов.
Алгоритм FOREL плохо работает на реальных данных, поскольку он позволяет выделять только те кластеры, которые расположены на большом расстоянии друг от друга. FRiS-STOLP на основе результатов работы по выборке «Ирисы Фишера» дает более высокую точность классификации объектов в сравнении с методом k-ближайших соседей. На предоставленных данных по ЭРИ было выделено 3 кластера алгоритмом k-средних и сетью Кохонена, что соответствует действительности. Состав кластеров не может быть сравнен с эталонным, поскольку известно лишь наличие кластерной структуры.
Оценить качество работы на многомерных данных сложно, так как размерность исследуемой выборки высока, а просмотреть срезы данных по всем наборам признаков является физически невозможным. Однако полученные результаты позволяют обозначить элементы определенных кластеров ЭРИ как надежные изделия и потенциально ненадежные.
Алгоритм FOREL плохо работает на реальных данных, поскольку он позволяет выделять только те кластеры, которые расположены на большом расстоянии друг от друга. FRiS-STOLP на основе результатов работы по выборке «Ирисы Фишера» дает более высокую точность классификации объектов в сравнении с методом k-ближайших соседей. На предоставленных данных по ЭРИ было выделено 3 кластера алгоритмом k-средних и сетью Кохонена, что соответствует действительности. Состав кластеров не может быть сравнен с эталонным, поскольку известно лишь наличие кластерной структуры.
Оценить качество работы на многомерных данных сложно, так как размерность исследуемой выборки высока, а просмотреть срезы данных по всем наборам признаков является физически невозможным. Однако полученные результаты позволяют обозначить элементы определенных кластеров ЭРИ как надежные изделия и потенциально ненадежные.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.