Материал: Интеллектуальные информационные системы. труды международной научно-практической конференции. И73

Вразличные моменты времени, предложенные системой варианты для решения одной и той же задачи могут отличаться. Это связано с тем, что значения и важность критериев могут иметь разные величины, в зависимости от текущей обстановки в организации.

Вобщем виде выполнение данного метода представлен следующими эта-

пами:

1.Выбор критериев для оценки.

2.Определение важности выбранных критериев.

3.Оценка значений выбранных критериев по 10-балльной шкале.

4.Вычисление общего значения каждого варианта.

5.Выбор наилучшего варианта лицом, принимающим решения.

Для каждой ситуации, для которой необходимо выбрать наиболее подходящий вариант решения, будут свои критерии. Данная система позволяет сохранять список критериев для конкретной ситуации, чтобы в дальнейшем при решении подобной задачи не было необходимости набирать его заново, а просто загружать готовый список. При необходимости этот список может быть изменен.

Далее представлен условный пример подбора критериев при выборе формы работы сотрудника Алтайского института развития образования имени А.М. Топорова предложенным выше методом.

Во время эпидемии болезни институт по возможности должен перейти на удаленную форму работы, но продолжать эффективно функционировать. Для каждого сотрудника необходимо выбрать такую форму работы, чтобы он мог выполнять свои обязанности в полной мере, не подвергая себя риску заражения.

Варианты работы сотрудников:

1.Сотрудник ходит на работу ежедневно.

2.Сотрудник приходит на работу по мере необходимости, когда часть своих обязанностей он не может выполнять из дома.

3.Сотрудник работает только из дома без доступа к рабочему компьютеру.

4.Сотрудник работает только из дома с удаленным подключением к рабочему компьютеру.

Критериями в этом случае являются:

−наличие компьютера или ноутбука;

−наличие необходимого периферийного устройства (принтер, сканер, камера, микрофон и т.д.);

−наличие стабильного интернет-соединения;

−необходимость специализированного программного обеспечения (например, 1С:Бухгалтерия для бухгалтера, КонсультантПлюс для юриста и т.д.);

−необходимость работы со входными документами;

−безопасность данных;

−невозможность заражения.

Эти критерии является базовыми для всех сотрудников и их можно загрузить автоматически. Для каких-то сотрудников список может быть пополнен.

100

Например, для преподавателей может добавиться критерий «Возможность создания обучающего материала», который является важным для выполнения их обязанностей.

Для каждого сотрудника определяется значимость всех критериев и проставляются их коэффициенты важности. Далее необходимо по 10-бальной шкале оценить значения выбранных критериев для каждого варианта. Затем считается значение взвешенной суммы для каждого варианта, и они выстраиваются от наиболее до наименее предпочтительного. Лицо, принимающее решение выбирает наилучший вариант.

Данная система подходит для принятия решений в различных ситуациях, будь то поиск нового сотрудника, поиск компетентного члена жюри или эксперта, выбор способа организации учебного и рабочего процесса и т.д. Это дает возможность выполнять государственные задания, учебный план, позволяет обеспечивать непрерывную бесперебойную работу учреждения и её ресурсов, проводить запланированные конкурсы и мероприятия, а также качественно подбирать персонал организации.

Внедрение разработанной системы поддержки принятия решений в Алтайский институт развития образования имени А.М. Топорова позволит улучшить продуктивность сотрудников, а также повысит эффективность функционирования системы управления.

Литература

1.Стародубцев А.А. Система поддержки принятия решений // Актуальные проблемы авиации и космонавтики. 2016. №12.

2.Шакиров В.А., Панкратьев П.С. Поддержка принятия решений на стадии предпроектных исследований на основе двухуровневого многокритериаль-

ного анализа // Прикладная информатика. 2013. №6 (48).

3.Подиновский В.В., Потапов М.А. Метод взвешенной суммы критериев

ванализе многокритериальных решений: PRO ET CONTRA / В.В. Подиновский, М.А. Потапов // Бизнес-информатика. – 2013. – № 3(25). – С. 41-48.

4.Ломакин В. В., Лифиренко М. В. Система поддержки принятия решений с автоматизированными средствами корректировки суждений экспертов //

Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2014. №1-1 (172).

5. Подиновская Ольга Владиславна, Подиновский Владислав Владимирович Анализ иерархических многокритериальных задач принятия решений методами теории важности критериев // Проблемы управления. 2014. №6.

ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова»

101

УДК 004.932.2

Н. В. Пацей, А. Д. Самаль, К. Д. Цыбулько

ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ КОДОВ КОРРЕКЦИИ ОШИБОК В МОДЕЛИ МНОГОУРОВНЕВОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ

Для решения задачи классификации объектов в один из предопределенных классов была предложена модель многоуровневой классификации объектов изображений на основе кодов коррекции ошибок или Error Correcting Output Codes (ECOC) [1-2]. Модель классификации работает в двух режимах: обучение и классификация (рис.1). Роль модуля предварительной обработки состоит в том, чтобы отделить объект от фона, удалить шум, нормализовать изображение. В режиме обучения модуль извлечения/выбора признаков находит соответствующие функции для представления шаблонов ввода, и классификатор обучается разделять пространство признаков. Обратная связь позволяет оптимизировать стратегии предварительной обработки и извлечения/выбора функций. В режиме классификации обученная модель назначает входной шаблон одному из рассматриваемых классов шаблонов на основе измеренных признаков.

Рис. 1. Этапы работы модели обучаемой классификации

Объекты должны быть представлены формально, чтобы их можно было проанализировать и сравнить механическими средствами.

С целью оптимального использования изображений предлагается модель многоуровневой иерархической классификации на основе сегментации. Объекты изображения представляются в виде сети каскадных структур. Классы и подклассы, которые определяются на каждом уровне иерархии являются результатом выбора различных параметров (классификаторов). Для этого использовался метод древовидных структур в классификатор с использованием ECOC. В корне содержатся все классы. Далее обнаруживаются узлы, связанные лучше всего с точки зрения взаимной информации. Метод дает хорошую производительность при небольшой длине кодового слова. Процесс повторяется итера-

102

тивно таким образом, чтобы не было повторений классов и оценка классификатора в каждом узле была оптимальной. В каждой итерации сохраняются лучшие n разбиений из множества классов. Так создается ансамбль оптимальных деревьев и включается в матрицу кодов коррекции ошибок. Формально алгоритм работы модели представлен в [2]. Для K классов c1,…, cK и T деревьев инициализируется корень начальным множеством классов K0 = {c1,…, cK}. Затем для каждого узла Ki выполняется разбиение множества классов

{C1C2}| Ki = C1 C2 на основе классификатора fi . По выполненному разбиению для каждого узла кодируется столбец матрицы M:

0,сr Ki

M(r,i) = +1,cr C1

−1,cr C2

где r индекс класса. Процесс повторяется.

Каждая древовидная структура содержит K − 1 классификатор. Рассмотрим пример с небольшим количеством классов, например, K = 4 . На рис. 2 представлена схема с двумя вариантами оптимальных деревьев, с точки зрения классификации, для начального набора классов {c1, c2, c3, c4}.

Рис. 2. Варианты оптимальных деревьев классификации для 4-х классов

На основе деревьев построим матрицы. Для первого дерева - столбцы h1, h2, h3 соответствуют классификаторам K1, K2, K3:

103

В этом случае этап обучения тратит больше времени, но длина кодового слова не большая, в то время как увеличивается способность системы классификации к обобщению.

Для второго дерева - столбцы h4, h5, h6 соответствуют классификаторам

Можно построить матрицу многоуровневого классификатора на основе двух оптимальных деревьев:

В матрице M столбец h3 соответствует узлу K3 первого дерева, а следующие дихотомизаторы соответствуют узлам второго дерева. Классы, которые не рассматриваются классификатором, устанавливаются в ноль.

С помощью матрицы ECOC, мы получаем вектор. Каждый компонент вектора является результатом решения каждого двоичного классификатора, обученного в каждом из столбцов матрицы. Эта процедура может быть применена при решении задач многозначной классификации, поскольку она объединяет знания различных бинарных задач.

Вторым этапом является декодирование. Здесь можно применить любую стратегию декодирования: обратное декодирование Хэмминга или Евклидово декодирование.

Общая модель многоуровневой классификации содержит N компонентных классификаторов. Классификатор представляет собой ансамбль для получения классификационного прогноза. Структура описанной модели представлена на рис. 3.

104