ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
95
Группировка методов интеграции информации.
Для обеспе-
чения возможности сравнительной оценки характеристик разных ме-
тодов целесообразно группировать методы интеграции информации
на основе интерпретации объединяемых величин. В зависимости от
того, рассматриваются ли объединяемые величины как интерпрети-
руемые в соответствии с той или иной моделью неопределенности,
как скалярные величины с одинаковым «физическим» смыслом (зна-
чения которых сопоставимы) или как набор величин, не интерпрети-
руемых явным образом, а рассматриваемых в качестве некоторого
абстрактного вектора признаков, выделяются явные, скалярные и не-
явные методы интеграции. Реализация данных методов определяется
уровнем, на котором выполняется интеграция информации. В зави-
симости от природы объединяемых величин выделяют уровни при-
знаков, степеней схожести и решений (таблица).
Таблица
Примеры основных групп методов и алгоритмов
интеграции информации
Уровень
интеграции
Методы интеграции
Явные
Скалярные
Неявные
Признаки
Классификаторы
Байеса, Неймана –
Пирсона и др.; ре-
шающие деревья
Метод эталонов
Метод опорных
векторов,
нейронные сети
и пр.
Степени
схожести
Классификатор
Байеса; метод по-
тенциальных функ-
ций
Алгоритмы вычисле-
ния оценок; метод
k
-
ближайших соседей;
алгебраические опе-
рации
Решения
Классификатор Бай-
еса; методы теории
Демпстера – Шефе-
ра; методы теории
нечетких множеств
Комитеты; взвешен-
ное среднее, упоря-
доченное взвешенное
среднее; треугольные
нормы и конормы;
методы бэггинга и
бустинга; нечеткое
интегрирование
Алгоритмы, ис-
пользующие
профили и шаб-
лоны решений
В качестве моделей неопределенности выделяют вероятностные
модели, описанные в байесовской теории, а также в теории свиде-
тельств Демпстера – Шефера. Если в неопределенности доминирует
нечеткость, то используют модели, формируемые в рамках теории
нечетких множеств и нечеткой логики. К явным методам также отно-