Добро пожаловать на сайт о Методе Группового Учета Аргументов (МГУА)

 








 

 





Метод Группового Учета Аргументов применяется в самых различных областях для анализа данных и отыскания знаний, прогнозирования и моделирования систем, оптимизации и распознавания образов. Индуктивные алгоритмы МГУА дают уникальную возможность автоматически находить взаимозависимости в данных, выбрать оптимальную структуру модели или сети, и увеличить точность существующих алгоритмов.

Criterion Characteristic Этот подход самоорганизации моделей принципиально отличается от обычно используемых дедуктивных методов. Он основан на индуктивных принципах - нахождение лучшего решения основано на переборе всевозможных вариантов.

При помощи перебора различных решений подход индуктивного моделирования пытается минимизировать роль предпосылок автора о результатах моделирования. Компьютер сам находит структуру модели и законы, действующие в объекте. Он может быть использован при создании искусственного интеллекта как советчик для разрешения споров и при принятии решений.

Метод Группового Учета Аргументов состоит из нескольких алгоритмов для решения разных задач. В него входят как параметрические, так и алгоритмы кластеризации, комплексирования аналогов, ребинаризации и вероятностные алгоритмы. Этот подход самоорганизации основан на переборе постепенно усложняющихся моделей и выборе наилучшего решения согласно минимуму внешнего критерия. В качестве базисных моделей используются не только полиномы но и также нелинейные, вероятностные функции или кластеризации.

Направление МГУА может быть полезным потому что:

  • Находится оптимальная сложность структуры модели, адекватная уровню помех в выборке данных. (Для решения реальных проблем с зашумленными или короткими данными, упрощенные прогнозирующие модели оказываются более точными.)
  • Количество слоев и нейронов в скрытых слоях, структура модели и другие оптимальные параметры нейросетей находятся автоматически.
  • Гарантируется нахождение наиболее точной или несмещенной модели - метод не пропускает наилучшего решения во время перебора всех вариантов (в заданном классе функций)
  • Любые нелинейные функции или признаки, которые могут иметь влияние на выходную переменную используются как входные аргументы
  • Автоматически находит интерпретируемые взаимосвязи в данных и выбирает эффективные входные переменные
  • Переборные алгоритмы МГУА довольно просто запрограмировать
  • Метод использует информацию непосредственно из выборки данных и минимизирует влияние априорных предположений автора о результатах моделирования
  • Подход МГУА используется для повышения точности других алгоритмов моделирования
  • Дает возможность отыскания несмещенной физической модели объекта (закона или кластеризации) - одной и той же для всех будущих выборок.

С 1968 года много исследований и применений МГУА было проведено во многих странах. Он был внедрен во многих программных продуктах.

Новости


  • Загружены новые статьи
  • Добавлены биографические материалы посвященные 90-летию А.Г.Ивахненко, автора МГУА

    On-line software
    Алгоритм МГУА GN доступен для он-лайн расчетов (другой сайт)

    Книги
  • Доступны книги 'Индуктивный метод самоорганизации моделей сложных систем', 'Помехоустойчивость моделирования' и 'Статистичне моделювання та прогнозування'
  • Книга Проф.Й-А.Мюллера и Ф.Лемке 'Self-Organising Data Mining. An Intelligent Approach To Extract Knowledge From Data' может быть приобретена и загружена
  • Rambler's Top100