Перевод названия: ALGORITHM FOR AUTOMOTIVE FORMATION ENSEMBLES OF NEURAL NETWORKS FOR SOLVING COMPLEX TASKS OF DATA MINING
Тип публикации: статья из журнала
Год издания: 2017
Ключевые слова: ансамбли нейросетевых моделей, самоорганизующееся генетическое программирование, интеллектуальный анализ данных, кластеризация, ensembles of neural network models, "Self-adjusting" genetic programming, ensemble decision, data mining, clustering
Аннотация: Рассматривается интеллектуальный анализ данных с применением разработанного алгоритма формирования ансамблей искусственных нейронных сетей. Алгоритм основан на применении самоорганизующегося многокритериального генетического программирования - "Self-adjusting" Genetic Programming и реализован в два этапа: на первом этапе формируютсПоказать полностьюя и отбираются наиболее эффективные нейронные сети по двум критериям, на втором этапе оцениваются сети в составе ансамбля -третий критерий. Тестирование разработанного алгоритма проводилось на двух практических задачах интеллектуального анализа данных: диагностика послеоперационной когнитивной дисфункции человека и обеспечения работоспособности электронной компонентной базы в космических аппаратах длительного функционирования. Обе задачи интеллектуального анализа данных решены с высокой точностью. Тестирование алгоритма показало точность классификации в среднем 77,8 % и ошибку прогнозирования 2,48 %. In this paper the theme of data mining using developed algorithm of formation ensembles of artificial neural network models is discussed. The developed algorithm is based on applying "Self-adjusting" multi-criteria Genetic Programming. The algorithm in two steps is implemented: in the first there is formation and selection the most effectiveness neural networks by two criteria, in the second step there is estimation neural networks in ensemble by third criteria. The testing of diagnostic of post-surgery cognitive disfunction and providing productivity component data base of long - term operation space craft. The both tasks of data mining with high accuracy were solved. The accuracy after testing of proposed algorithm the classification accuracy in general is 77,8% and prediction error is 2,48 %.
Журнал: Известия Тульского государственного университета. Технические науки
Выпуск журнала: № 4
Номера страниц: 234-243
ISSN журнала: 20716168
Место издания: Тула
Издатель: Федеральное государственное бюджетное образовательное учреждение высшего образования Тульский государственный университет