идентификация объекта

[AlexZimin]

ll

[G^a]

AlexZimin писал(а):

Показатели характеризующие объект, в основном, нечисловой природы.
Есть количественный показатель, определяется мной экспериментально.

А в каких шкалах выражены классификационные признаки?

AlexZimin писал(а):

Так как отнесение к определенному классу предполагается производить исходя из значения этого количественного показателя, то задача такова, чтобы в итоге по имеющимся показателям нечисловой природы, отнести объект к одному классу (всего три).

Не понятно! Если "отнесение к определенному классу предполагается производить исходя из значения этого количественного показателя", то причём здесь "имеющимся показателям нечисловой природы, отнести объект к одному классу "? Тавтология какая-то!

AlexZimin писал(а):

Не производя, таким образом, испытаний объектов в дальнейшем.

Вновь не понятно! Если не получать информацию об объекте, то тогда как его классифицировать?

AlexZimin писал(а):

Последовательность действий видится такой:
факторный анализ должен позволить выделить главный показатели

Вновь вопрос про шкалы.

AlexZimin писал(а):

кластерный анализ
дискриминантный анализ

Для чего?

AlexZimin писал(а):

Проблема осложняется еще и тем, что параметры по степени их влияния либо неизвестные, либо заданы в виде некой ординальной информации о влиянии ( 5-25%).

Влиянии параметров на что? Как это соотносится с задачей о классификации? Либо Вы что-то неверно поняли, либо не совсем верно выражаете свои мысли. И влияние задаётся именно диапазоном значений?

AlexZimin писал(а):

Господа, буду благодарен за комментарии и вопросы. Прошу прощения за возможные некорректные термины.

Однозначно! Вы решаете не задачу идентификации, а задачу классификации!

AlexZimin писал(а):

Возможно ли решение данной проблемы в прикладной программе?

Чтобы ответить на вопрос, необходимо, чтобы Вы уточнили задачу, и корректней её описали!

С уважением,
G^a.

[AlexZimin]

ll

[G^a]

AlexZimin писал(а):

Объекты прошли испытания при минусовых температурах. Замерялся признак, в итоге получена его зависимость от изменения температуры.

Я правильно Вас понял: температуру изменяли от T_1 до T_2, с некоторым шагом \Delta T. Это был термокамера, и при каждой температуре объекты выдерживались до достижения термодинамического равновесия. Или это были замеры в реальных условиях сходу (температура у каждого измерения своя, равновесия не дожидались, всё плясало и танцевало)?

AlexZimin писал(а):

Так как степень изменения измеряемого признака у объектов разная, это позволило разбить их на 3 группы (по степени изменения под влиянием температуры), используя т.н. коэффициент адаптации (изменяется от 0 до 1) 0<"плохо"<0,3, 0,3<"средне"<0,6, 0,6<"хорошо"<1.

Что такое степень изменения измеряемого признака x?

Это \Delta x=x(T_2)-x(T_1)?

А как меняются сами точки: x(T_1) и x(T_2)? Это ведь тоже очень важная информация для классификации.

Кроме того, по каждому объекту одно измерение зависимости, или серия?

А сама зависимость x(T) - она физична? Ибо статистика порой такие ложные корреляции может найти, в особенности если сам исследователь ей в этом активно помогает!

AlexZimin писал(а):

Сама структура объекта в достаточно полном виде описывается признаками типа: - различные индексы (от О до V, Gi или Hi, 108 или 93), если не ошибаюсь это категориальный тип.

Да, похоже на категориальный тип. Главное не спутайте категорийную шкалу с порядковой! А сколько у Вас таких признаков S?

AlexZimin писал(а):

В дальнейшем видится, получая информацию об объекте по описывающим его признакам (допустим паспорт изделия), сразу отнесение его к одному из 3 классов.

Понятно! Чтобы синтезировать корректный классификатор необходимо:

1) Построить феноменологическую модель связи \Delta x=F[S].
2) Определить априорную информативность каждого S_i для целей классификации.

Далее можно пойти несколькими способами.
3) Факторным анализом - установить наличие статистически обоснованных связей, выделить ведущие признаки S_i.
4) Кластерным анализом - проверить рассыпаемость объектов по классам (основным кластерообразующим параметром выступает естественно \Delta x).
5) На основе полученных выше результатов синтезировать правила классификации.
6) Проверить классификатор.

3) Обучить нейронный класссификатор: на выходе - \Delta x, на входе - S.
5) Проверить классификатор.

Это конечно грубые схемы. Есть ещё масса подходов к построению классификаторов функционирующих в слабых шкалах.


С уважением,
G^a.

[AlexZimin]

ll

[G^a]

AlexZimin писал(а):

Феноменологическая модель связи - для меня это нечто новое. Эту модель возможно ли представить в виде матрицы "объект-свойство"?

Феноменологическая модель - это качественная модель, которая строится исходя из общих принципов, законов, свойств, которые описывают данный объект и/или процесс. Без построения подобной модели можно ловить ложные когерентности, и выдавать их за истинные связи в системе. Такие выводы могут очень далеко увести от правды!

А T_0 - для всех объектов своя?

AlexZimin писал(а):

Априорная информативность = информация исходя из предыдущих исследований?

Не только исследований, но и логического анализа феноменологической модели. Другими словами. Проводя анализ данных Вы должны уже иметь в голове некую гипотезу, ибо работа без гипотезы (в условиях полной априорной неопределённости) - это другие методы и подходы.

AlexZimin писал(а):

Синтез правил классификации - есть ли здесь место дискриминантному анализу?

Есть!

AlexZimin писал(а):

Как Вы считаете, возможно ли решение этой задачи в прикладной программе, например, Stadia?

Насчёт Stadia - нескажу, ибо с программой не работал. А вот Статистике вполне под силу, если рассыпаемость по классам - обусловленно выраженная.

[AlexZimin]

[ll