Оптимизационный подход в задачах математической диагностики
Диссертация
В задачах медицинской диагностики оптимизационный подход к решению этой задачи был предпринят в 30-е годы Р. Фишером (который разработал линейный дискриминантный анализ). В настоящее время эти задачи занимают ведущее место в теории обучающих машин, в задачах искусственного интеллекта. Для решения указанных задач существует несколько подходов (чисто статистический подход, метод опорных векторов В… Читать ещё >
Список литературы
- Бешелев С.Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. -М.: Статистика, 1980.
- Вальд А. Последовательный анализ. Пер. с англ.- под ред. В. А. Севастьянова. М.: Наука, 1960.
- Вальд А. Статистические решающие функции. Позиционные игры. Под ред. Н. Н. Воробьева и Н. Н Врублевской. М.: Наука, 1967, с. 300−522.
- Вапник В.Н., Червоненкис А. Я. Теория распознавания образов (статистические проблемы обучения). -М.: Наука, 1974.
- Генкин А.А. Новая информационная технология анализа медицинских данных (программный комплекс ОМИС). СПб.: Политехника, 1999.
- Головкин Б. А. Машинное распознавание и линейное программирование. М.: Советское радио, 1972.
- Гублер E.B. Вычислительные методы анализа и распознавания патологических процессов. JL: Медицина, 1978.
- Девятериков И. П., Пропой А. И., Цыпкин Я. З. О рекуррентных алгоритмах обучения распознавания образов // Автоматика и телемеханика, № 1,1967.
- Демьянов В.Ф. Идентификация точек двух выпуклых множеств // Вестник Санкт- Петербургского университета. Серия 1, вып. 3 (N 17), 2001, с. 14−20.
- Демьянов В.Ф., Васильев Л. В. Недифференцируемая оптимизация. -М.: Наука, 1981.
- Дубров A.M. Обработка статистических данных методом главных компонент. -М.: Статистика, 1978.
- Елисеева И.И., Руковишников В. О. Группировка, корреляция, распознавание образов. -М.: Статистика, 1977.
- Карманов В.Г. Математическое программирование. -М.: Наука, 1975.
- Кендалл М., Стюарт А. Статистические выводы и связи. Пер. с англ.- под ред. А. Н. Колмогорова и Ю. В. Прохорова. М.: Наука, 1973.
- Козинец Б.Н. Рекуррентный алгоритм разделения двух множеств. В сб. под ред. В. Н. Вапника «Алгоритмы обучения распознавания образов». М.: Советское радио, 1973.
- Кокорина А.В. Ранжирование дискретных параметров в задачах обработки данных // Труды XXXIV научной конференции аспирантов и студентов «Процессы управления и устойчивость». СПб: Издательство СПбГУ, 2003, с. 276−279.
- Кокорина А.В. Ранжирование параметров в задачах обработки данных // Труды XXXIII научной конференции студентов и аспирантов «Процессы управления и устойчивость». СПб: ООП НИИ Химии СПбГУ, 2002, с. 277−281.
- Колкот Э. Проверка значимости. Пер. с англ. М.: Статистика, 1978.
- Кулъбак С. Теория информации и статистика. Пер. с англ.- под. ред. А. Н. Колмогорова. М.: Наука, 1967.
- Литваков Б.М. О сходимости рекуррентных алгоритмов обучения распознаванию образов // Автоматика и телемеханика, № 1, 1968.
- Логинов В. К, Хургин Я. И. Общий подход к проблеме распознавания образов. Сб. тр. МИНХ и ГП, вып. 62. М.: Недра, 1966.
- Мале та Ю.С., Тарасов В. В. Математические методы статистического анализа в биологии и медицине. Вып. 1, вып. 2. М.: Издательство МГУ, 1982.
- Неймарк Ю.И., Баталова З. С. и др. Распознавание образов и медицинская диагностика. М.: Наука, 1972.
- Первозванский А.А. Распознавание абстрактных образов, как задача линейного программирования // Известия АН СССР, Техническая кибернетика, № 4,1965.
- Петрова Н.В. Разделение двух дискретных одномерных множеств методом изоляции // Труды XXXV научной конференции аспирантов и студентов «Процессы управления и устойчивость». СПб: Издательство СПбГУ, 2004, с. 328−330.
- Поляк Б.Т., Цыпкип Я. З. Псевдоградиентные алгоритмы адаптации и обучения // Автоматика и телемеханика, № 1, 1973.
- Приставко В.Т., Ярвельяп А. В. Методы разделяющей гиперплоскости в медико-биологических задачах // Труды XXXV научной конференции аспирантов и студентов «Процессы управления и устойчивость». СПб: Издательство СПбГУ, 2004, с. 331−333.
- Рокафеллар Р. Выпуклый анализ. -М.: Мир, 1973.
- Славин М.Б. Методы системного анализа в медицинских исследованиях. -М.: Медицина, 1989.
- Тинтиер Г. Введение в эконометрию. Пер. с англ. М.: Статистика, 1965.
- Уилкс С. Математическая статистика. М.: Наука, 1967.
- Урбах В.Ю. Дискриминантный анализ: основные идеи и приложения. Сб. Статистические методы классификации, вып. 1. МГУ, 1969.
- Фомин В.Н. Математическая теория обучаемых опознающих систем. -М.: Издательство ЛГУ, 1976.
- Якубович В.А. Некоторые общие теоретические принципы построения обучаемых опознающих систем. Сб. Вычислительная техника и вопросы программирования. ЛГУ, 1965.
- AnderbergM.R. Cluster Analysis for Applications. Academic Press, 1973.
- Babu G.P. andMurty M.N. A near optimal initial seed value selection in the k-means algorithm using a genetic algorithm. Pattern Recognition Letters 14,1993, pp. 763−769.
- Bagirov A.M., Rubinov A.M. and Yearwood J. A heuristic algorithm for feature selection based on optimization techniques. In: Sarker R., Abbas H. and Newton C.S. (eds.), Heuristic and Optimization for Knowledge Discovery. Idea Publishing Group. 2000.
- Bagirov A.M., Rubinov A.M. and Yearwood J. A global optimization approach to classification. Optimization and Engineering 3, 2002, pp. 129−155.
- Bhuyan N.J., Raghavan V.V. and Venkatesh K.E. Genetic algorithms for clustering with an ordered representation. Proceedings of the Fourth International Conference on Genetic Algorithms, 1991, pp. 408−415.
- Bradley P. S. and Mangasarian O.L. Feature selection via concave minimization and support vector machines. Machine Learning Proceedings of the Fifteenth International Conference (ICML'98), San Francisco, California. Morgan Kaufmann, 1998, pp. 82−90.
- Bradley P. S. and Mangasarian O.L. Massive data discrimination via linear support vector machines. Optimization Methods and Software 13, 2000, pp. 1−10.
- Chen C. and Mangasarian O.L. Hybrid misclassification minimization. Mathematical Programming Technical Report 95−05, University of Wisconsin, 1995.
- Cristianini N. and Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel based methods. Cambridge University Press, 2000.
- DeCoste D. andScholkopfB. Training invariant support vector machines. Machine Learning 46, 2002, pp. 161−190.
- Fisher R.A. Contributions to Mathematical Statistics. New-York, 1952.
- Hansen P. and Jaumard B. Cluster analysis and mathematical programming. Mathematical Programming 79, 1997, pp. 191−215.
- Highleyman W.H. Linear decision functions with applications to pattern recognition. Proc. IRE, № 6, 1962.
- Jain A.K., Murty M.N. and Flynn P.J. Data clustering: a review. ACM Computing Surveys 31, 1999, pp. 264−323.
- Kokorina A.V. Unsupervised and supervised Data Classification Via Nonsmooth and Global Optimization. Top, Volume 11, Number 1. June 2003. Sociedad de Estadistica e Investigacion Operativa, Madrid, Spain, pp. 86−89.
- Mangasarian O.L. Linear and nonlinear separation of patterns by linear programming. Operations Research, vol. 13, 1965, pp. 444−452.
- Mangasarian O.L. Misclassification minimization. Journal of Global Optimization 5, 1994, pp. 309−323.
- Mangasarian O.L. Mathematical programming in data mining. Data Mining and Knowledge Discovery 1, 1997, pp. 183−201.
- Michie D., Spiegelhalter D.J. and Taylor C.C. Machine Learning, Neural and Statistical Classification. Ellis Horwood Series in Artificial Intelligence, 1994.
- Mirkin B. Mathematical Classification and Clustering. Kluwer Academic Publishers, 1996.
- Murphy P.M. and Aha D. W. UCI repository of machine learning databases. Technical report, Department of Information and Computer science, University of California, Irvine, 1992. www.ics.uci.edu/mlearn/MLRepositorv.html.
- Nagy G. State of the art in pattern recognition. Proceedings of the IEEE 56, 1968, pp. 836−862.
- Quinlan J.R. C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo, 1993.
- Rosen J.B. Pattern separation by convex programming. Journal of Mathematical Analysis and Applications, vol. 10, 1965, pp. 123−134.
- Rosenblatt F. The perseptron, a probability model for information storage and organization in the brain. Psychol. Rev., 65, 1958.
- Rubinov A.M., Soukhoroukova N. V. and Yearwood J. Clustering for studying structure and quality of datasets, Research Report 01/24, University of Ballarat, 2001.
- Scholkopf B. and Smola A. Learning with Kernels. The MIT Press, 2002.
- Vapnik V. The Nature of Statistical Learning Theory. Springer-Verlag, 2000.
- Ward J. Hierarchical grouping to optimize and objective function. Journal of the American Statistical Association 58, 1983, pp. 236−244.