Фрактальные аспекты моделирования классификационной задачи

  • Алексей Георгиевич Буховец Воронежский государственный аграрный университет имени императора Петра I https://orcid.org/0000-0002-6614-044X
  • Евгений Александрович Семин Воронежский государственный аграрный университет имени императора Петра I https://orcid.org/0000-0002-4674-6532
Ключевые слова: классификационная задача, рандомизированные системы итерированных функций, ультраметрические пространства, фрактальные множества, моделирование ментальных процессов

Аннотация

В центре внимание данной работы математическая модель классификационной задачи, в основе которой понятия теории фрактальных множеств и особенности моделирования ментальных процессов. В рамках такого подхода классификационную деятельность можно рассматривать как бы с двух точек зрения. С одной стороны — это работа с эмпирическим представлением объектов классификации, с другой — ментальное воспроизведение задачи построения классификационных разбиений. Реализация этих двух видов деятельности происходит в процессе построения некоторого фрактального множества, генерируемого посредством рандомизированной системы итерированных функций. Математическая модель классификационной задачи представляется в виде двух пространств: метрического, связанного с феноменологической составляющей, и ультраметрического, отражающего когнитивную сторону решаемой задачи. Как показывает анализ результатов решения задач классификации, фрактальные модели хорошо соответствуют требованиям, предъявляемым к постановке задачи и алгоритмическим особенностям её решения. Сама специфика постановки задачи отражается в необходимости учитывать такие характеристики как изолированность отдельных объектов, возможность устанавливать сходство/различие объектов, компактность пространства признаков и др. Эти свойства характерны для создаваемого в ходе решения ультраметрического пространства. Взаимосвязь этих двух пространств осуществляется посредством моделирования фрактальной структуры. В работе показано, как именно использование фрактального подхода в решении классификационных задач связано с построением ультраметрических пространств. Характерно, что эти ультраметрические пространства являются составной частью алгоритма решения самой задачи. Эта алгоритмическая составляющая часть решения классификационной задачи напрямую связывается с когнитивными процессами и интерпретируется как модель процессов, присущих умственной деятельности.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Алексей Георгиевич Буховец, Воронежский государственный аграрный университет имени императора Петра I

д-р техн. наук, профессор, профессор кафедры экономического анализа, статистики и прикладной математики Воронежского государственного аграрного университета имени императора Петра I

Евгений Александрович Семин, Воронежский государственный аграрный университет имени императора Петра I

канд. экон. наук, доцент кафедры экономического анализа, статистики и прикладной математики Воронежского государственного аграрного университета имени императора Петра I

Литература

1. Subbotin A. L. (2001) Classification: Monograph. Moscow: IF RAS. 103 p.
2. Aivazyan S. A., Bezhaeva Z. I. and Staroverov O. V. (1974) Classification of multidimensional observations. Moscow : Statistics. 240 p.
3. Bukhovets A. G. (2012) Modeling of data structures in classification problems: mathematical models of classification problems – theory and practice. Saarbrücken : Palmarium Academic Publishing. 247 p.
4. Mamardashvili M. K. (1993) Cartesian reflections. M. Ed. Progress Group. 352 p.
5. Mirzoev A. A., Rostegaeva N. I. and Grigorieva N. V. [et al.] (1982) Typology and classification in sociological research. USSR Academy of Sciences, Institute of Sociological Research. Moscow : Nauka. 296 p.
6. Newton I. (1989) Mathematical principles of natural philosophy [trans. from lat.]; ed. and foreword by L. S. Polak. Moscow : Nauka. 688 p.
7. Bukhovets A. G. and Biryuchinskaya T. Ya. (2016) The structure of the attractor of randomized systems of iterated linear functions. VSU Bulletin, Series: System Analysis and Information Technologies. No 2. P. 5–10.
8. Barnsley M. F. (2006) Superfractals. Cambridge : Cambridge University Press. 464 p.
9. Koblitz N. (1982) p-adic numbers, p-adic analysis and zeta functions. Moscow : Mir. 192 p.
10. Cormak R. V. (1971) A Review of Classification. J. of the Royal Statistical society. Vol. 134. P. 125–162.
11. Lyubishchev A. A. (1971) About criteria of reality in taxonomy. Informational issues of semiotics, linguistics and automatic translation. Moscow : VINITI. Iss. 1. P. 67–82.
12. Borisovich Yu. G., Bliznyakov N. M., Izrailevich Ya. A., Fomenko T. N. (1995) Introduction in topology: a textbook for university students studying in the specialty “Mathematics”. 2nd edition, supplemented. Moscow : Nauka. 414 p.
13. Malinetsky G. G. and Potapov A. B. (2018) Nonlinear dynamics and chaos: basic concepts. Stereotype Publishing House. URSS. 240 p.
14. Bukhovets A. G. and Bukhovets E. A. (2012) Modeling of fractal data structures. Automation and Remote Control. Vol. 73, No 2. P. 381–385. DOI
15. Romanovsky M. Yu. and Romanovsky Yu. M. (2007) Introduction to econophysics. Statistical and dynamic models. M.-Izhevsk, SIC “Regular and chaotic dynamics”. 280 p.
16. Mandelbrot B. (1982) The Fractal Geometry of Nature. W. H. Freeman & Co. 460 p.
17. Hausdorff F. (1937) Set theory. Moscow : ONTI. 306 p.
18. Kuznetsov S. P. (2006) Dynamic chaos. Moscow : FIZMATLIT. 356 p.
19. Kronover R. M. (2006) Fractals and chaos in dynamic systems. Moscow : TECHNOSPHERE. 488 p.
20. Capra F. (2008) The Tao of Physics: common roots of modern physics and Eastern Mysticism. Moscow : Sofia. 416 p.
21. Vladimirov V. S., Volovich I. V. and Zelenov E. I. (1994) p-Adic analysis and mathematical physics. Moscow : Nauka. 352 p.
22. Khrennikov A. Y. (2004) Modeling of thinking processes in p-adic coordinate systems. Moscow : FIZMATLIT. 296 p.
23. Dragovich B., Khrennikov A. Yu., Kozyrev S. V., Volovich I. V. and Zelenov E. I. (2017) p-adic mathematical physics: the first 30 years. p-Adic Numbers Ultrametric Anal. Appl. 9. No 2. P. 87–121.
24. Advances in Non-Archimedean Analysis and Applications. The p-adic Methodology in STEAM-H. Editors W. A. Zúñiga-Galindo, Bourama Toni. Springer. 2022. 318 p.
25. Dubischar D., Gundlach V. M., Steinkamp O. and Khrennikov A. (1999) A p-adic model for the process of thinking disturbed by physiological and information noise. Journal of Theoretical Biology. Vol. 197, No 4. P. 451–467.
26. Bukhovets A. G. and Moskalev P. V. (2018) Ultrametric properties of the attractor spaces for random iterated linear function systems // Journal of Physics: Conference Series, Voronezh, 18–20 December 2017. Voronezh : Institute of Physics Publishing. P. 012028. DOI
27. Methods of data analysis: an approach based on the method of dynamic thickening: trans. from the French / Col. auth. under the hands of E. Dide. Moscow : FiS. 1985. 357 p.
28. Meyen S. V. and Schrader Yu. A. (1976) Methodological aspects of the theory of classification. Questions of Philosophy. No 12. P. 67–79.
29. Schrader Yu. A. and Sharov A. A. (1982) Systems and models. Moscow : Radio and Communications. 152 p.
30. Bukhovets A. G., Semin E. A. and Biryuchinskaya T. Ya. (2016) Modern approaches and methods in forecasting the yield of certain types of grain crops. Voronezh State Agrarian University. Emperor Peter I. Voronezh : VGAU named after Emperor Peter I. 214 p.
Опубликован
2022-11-09
Как цитировать
Буховец, А. Г., & Семин, Е. А. (2022). Фрактальные аспекты моделирования классификационной задачи. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 127-138. https://doi.org/10.17308/sait/1995-5499/2022/3/127-138
Раздел
Интеллектуальные системы, анализ данных и машинное обучение