Пошук академічних текстів

Інформація × Реєстраційний номер 2118U005318, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ПАРАЛЕЛЬНИЙ МЕТОД РЕДУКЦІЇ ВЕЛИКИХ ДАНИХ НА ОСНОВІ СТОХАСТИЧНОГО ПРОГРАМУВАННЯ Автор Олійник А. О.Субботін С. О.Льовкін В. М.Ильяшенко М. Б.Благодарьов О. Ю.Oliinyk A.Subbotin S.Lovkin V.Ilyashenko M.Blagodariov O. Дата публікації 04-10-2018 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/142950 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Вирішено задачу автоматизації задача автоматизації процесу редукції великих даних при діагностуванні та розпізнаванні образів. Об’єкт дослідження – процес редукції великих даних. Предмет дослідження – методи редукції великих даних. Мета роботи полягає в створенні паралельного методу редукції даних на основі стохастичних обчислень. Метод. Запропоновано паралельний метод редукції великих даних. Даний метод ґрунтується на запропонованій системі критеріїв, що дозволяють оцінювати концентрованість контрольних точок близько локальних екстремумів. Обчислення оцінок концентрованості рішень в розробленій системі критеріїв засноване на просторовому розташуванні контрольних точок в поточній множині рішень. Запропонована система критеріїв може використовуватися в методах стохастичного пошуку для відстеження ситуацій надмірної концентрації рішень в областях локальних оптимумів, і, як наслідок, для підвищення різноманітності множини рішень в поточній популяції і більш рівномірного покриття простору пошуку контрольними точками в процесі оптимізації. Результати. Розроблено програмне забезпечення, яке реалізує запропонований паралельний метод редукції великих даних і дозволяє виконувати відбір інформативних ознак і скорочення великих вибірок даних при синтезі розпізнавальних моделей. Висновки. Проведені експерименти підтвердили працездатність запропонованого паралельного методу редукції великих даних і дозволяють рекомендувати його для використання на практиці при обробці масивів великих даних для розпізнавання образів. Перспективи подальших досліджень можуть полягати в модифікації існуючих і розробки нових методів відбору ознак на основі розробленої системи критеріїв оцінювання концентрованості контрольних точок близько локальних екстремумів. Додано в НРАТ 2026-02-09 Закрити