Оптимізація контрольних допусків на ознаки розпізнавання під час машинного навчання

Abstract

Розглянуто інформаційно-екстремальний алгоритм навчання здатної навчатися системи підтри- мання прийняття рішень як складової автоматизованої системи керування енергоблоком теплоелектроцентралі з оптимізацією контрольних допусків на ознаки розпізнавання. У рамках інформаційного синтезу структуру алгоритму навчання СППР з оптимізацією СКД на ознаки розпізнавання доцільно розробляти на базі категорійної моделі, яка є відображенням множин, задіяних у машинному навчанні, та є узагальненням орієнтованого графа, в якому ребра є операторами перетворення відповідних множин. Алгоритм інформаційно-екстремального навчання СППР полягає в ітераційній процедурі наближення глобального максимуму інформаційного КФЕ до його граничного значення шляхом оптимізації параметрів функціонування СППР. Установлено залежність функціональної ефективності машинного навчання СППР від контрольних допусків на ознаки розпізнавання. При цьому недостатньо високе значення КФЕ навчання СППР обумовлює необхідність оптимізації інших параметрів навчання, що впливають на її функціональну ефективність.

Рассмотрен информационно-экстремальный алгоритм обучения способной учиться системы поддержки принятия решений как составляющей автоматизированной системы управления энергоблоком теплоэлектроцентрали с оптимизацией контрольных допусков на признаки распознавания. В рамках информационного синтеза структуру алгоритма обучения системы принятия решений с оптимизацией системы контрольных допусков на признаки распознавания целесообразно разрабатывать на базе категорийной модели, являющейся отражением множеств, задействованных в машинном обучении, и представляет обобщение ориентированного графа, в котором ребра являются операторами преобразования соответствующих множеств. Алгоритм информационно-экстремального обучения СППР состоит в итерационной процедуре приближения глобального максимума информационного коэффициента функциональной эффективности к его предельному значению путем оптимизации параметров функционирования СППР. Установлена зависимость функциональной эффективности машинного обучения СППР от контрольных допусков на признаки распознавания. При этом недостаточно высокое значение КФЕ обучения СППР обусловливает необходимость оптимизации других параметров обучения, влияющих на ее функциональную эффективность.

Information considered extreme learning algorithm is able to study decision support system as part of the automated control system combined heat and power unit with optimized control tolerances recognition. Within the framework of information fusion algorithm optimization studies DSS ACS for signs of recognition expedient design based on categorical model, which is a reflection of sets involved in machine learning and generalization represents a directed graph, where edges are the respective operators transform sets. Algorithm extreme training information DSS is approaching iterative procedure CFE global maximum information to its limit value by optimizing the parameters of DSS. The dependence of the functional efficiency of machine learning DSS’s on the control tolerances on the recognition attributes is established. This value is not high enough CFE DSS training necessitates optimization of other parameters of the study, which affect its functional efficiency. Optimization of control tolerances on recognition features allowed to increase more than twice the value of the informational CFE machine learning DSS.