Метод построения и оптимизации когнитивных карт для применения в информационных и управляющих системах

Р.А. Жилов

Институт прикладной математики и автоматизации – филиал ФГБНУ «Федеральный научный центр «Кабардино-Балкарский научный центр Российской академии наук»

Аннотация: Представлен метод оптимального построения когнитивных карт, заключающийся в оптимизации входных данных, размерности данных и структуры когнитивной карты. Проблема оптимизации возникает при больших объемах входных данных. Также данные могут быть неточными или искаженными. Оптимизация размерности данных заключается в кластеризации входных данных. В качестве метода кластеризации используется иерархический агломеративный метод. Методы кластерного анализа позволяют разбивать множество данных на конечное число однородных групп. Данные объединяются по схожим признакам или общим характеристикам. Оптимизация структуры когнитивной карты заключается в автоматической подстройке весов влияния концептов друг на друга методами машинного обучения. В данной работе используется метод обучения нейронной сети.

Представлен метод оптимального построения когнитивных карт, заключающийся в оптимизации входных данных, размерности данных и структуры когнитивной карты. Проблема оптимизации возникает при больших объемах входных данных. Также данные могут быть неточными или искаженными. Оптимизация размерности данных заключается в кластеризации входных данных. В качестве метода кластеризации используется иерархический агломеративный метод. Методы кластерного анализа позволяют разбивать множество данных на конечное число однородных групп. Данные объединяются по схожим признакам или общим характеристикам. Оптимизация структуры когнитивной карты заключается в автоматической подстройке весов влияния концептов друг на друга методами машинного обучения. В данной работе используется метод обучения нейронной сети.

Ключевые слова: когнитивная карта, кластерный анализ, нейронная сеть, обучающая выборка, нечеткие множества.

Аннотация: Представлен метод оптимального построения когнитивных карт, заключающийся в оптимизации входных данных, размерности данных и структуры когнитивной карты. Проблема оптимизации возникает при больших объемах входных данных. Также данные могут быть неточными или искаженными. Оптимизация размерности данных заключается в кластеризации входных данных. В качестве метода кластеризации используется иерархический агломеративный метод. Методы кластерного анализа позволяют разбивать множество данных на конечное число однородных групп. Данные объединяются по схожим признакам или общим характеристикам. Оптимизация структуры когнитивной карты заключается в автоматической подстройке весов влияния концептов друг на друга методами машинного обучения. В данной работе используется метод обучения нейронной сети.

Ключевые слова: когнитивная карта, кластерный анализ, нейронная сеть, обучающая выборка, нечеткие множества.