ИВМ СО РАН ПоискEnglish
список сотрудников по алфавиту
о сотруднике
curriculum vitae
гранты
научная деятельность
публикации

институт
исследования

ссылки
библиотека
документы
адреса и телефоны
 

Сведения о наиболее значимых проектах и грантах В. А. Лапко

Научные исследования выполнялись в рамках 4 грантов РФФИ, из них два для молодых учёных, проекте Министерства образования по фундаментальным исследованиям в области кибернетики.

Грант РФФИ №97–01–01043 «Разработка теоретических основ оптимального синтеза и анализа многоуровневых непараметрических систем классификации».

Предложен и обоснован оригинальный рандомизированный подход определения коэффициентов размытости непараметрических решающих правил, использующий идею их случайного выбора. Исследованы асимптотические свойства статистических оценок вероятностных показателей эффективности изучаемого класса систем, определена зависимость их скоростей сходимости от параметров структуры и объёма обучающих выборок. На этой основе построены критерии оценивания показателей их эффективности в условиях ограниченных выборок. Результаты исследований реализованы в виде интеллектуальной информационной технологии автоматизации проектирования многоуровневых непараметрических систем классификации в среде визуального программирования Delphi для IBM совместимых компьютеров.

Грант РФФИ №00–01–00001 «Разработка непараметрических систем распознавания образов, основанных на методе коллективного оценивания».

Разработаны теоретические основы синтеза и анализа непараметрических моделей распознавания образов коллективного типа, построение которых предполагает формирование семейства упрощённых аппроксимаций уравнения разделяющей поверхности относительно системы «опорных» ситуаций из обучающей выборки с последующим их объединением в единую решающую функцию с помощью методов непараметрической статистики. Обобщена методика количественного оценивания области компетентности изучаемого класса систем при равномерном законе распределения «опорных» ситуаций на произвольные их плотности вероятности. Создано программное обеспечение построения непараметрических систем классификации коллективного типа и методом статистического моделирования исследованы их свойства при конечных объёмах обучающих выборок. Полученные научные результаты реализованы в интеллектуальной информационной технологии автоматизации и проектирования непараметрических коллективов в среде Delphi для компьютеров типа Pentium и представлены в монографии «Непараметрические коллективы решающих правил».

Грант РГНФ №98–06–12001в «Разработка интеллектуальной информационной системы комплексного исследования развития здоровья человека и населения региона по данным популяционных обследований».

Создана информационная подсистема прогнозирования динамики показателей здоровья населения региона по согласованным данным коротких временных рядов наблюдений параметров изучаемого процесса. Подобные условия характерны для уникальных медико-биологических систем, к которым относятся, например, развитие здоровье однородных групп населения с учётом экологических факторов, процессы лечения и адаптации человека. Предложен новый класс непараметрических моделей временных медико-биологических зависимостей, основанный на методе коллективного оценивания. Непараметрические коллективы решающих правил позволяют использовать не только информацию, содержащуюся в элементах временного ряда значений медико-биологических параметров, но и вскрывать их интегральные свойства путём управляемого сочетания преимуществ параметрических и локальных аппроксимаций восстанавливаемой зависимости. С помощью непараметрических коллективов разработана методика оценивания вклада факторов риска в формирование значений показателей заболеваемости населения региона. Предложенный подход использует возможность представления при линейных упрощённых аппроксимациях непараметрических коллективов в виде линейного полинома в пространстве аргументов с нелинейными коэффициентами, что позволяет по их значениям проводить дифференциацию факторов риска заболеваний в конкретно сложившихся условиях. Информационная подсистема внедрена в Центре госсанэпидемнадзора Красноярского края для прогнозирования уровня заболеваемости населения региона, оценивания вклада отдельных экологических параметров в изменение её динамики.

Грант РФФИ №01–01–06015 «Программа поддержки молодых учёных и аспирантов» в рамках гранта РФФИ №00–01–00001.

Разработан и исследован оригинальный комбинированный алгоритм синтеза рациональной структуры непараметрической системы распознавания образов коллективного типа, сочетающий преимущество рандомизированной и итерационной процедур. Идея предложенного подхода состоит в управляемом формировании упрощённых параметрических аппроксимаций решающей функции первоначально относительно «опорных» ситуаций, выбираемых со случайной стратегией из области пересечения классов, а в последующем с помощью регулярной процедуры, минимизирующей эмпирическую ошибку распознавания образов. Установлены параметры комбинированного алгоритма, гарантирующие повышение его вычислительной эффективности в (2-3) раза по сравнению с итерационным методом при достоверно не отличающихся значениях оценок вероятностей ошибки распознавания образов. Получены статистические оценки интегральных показателей условий классификации с помощью непараметрических коллективов распознавания образов при различных законах распределения их «опорных» ситуаций, являющихся основой методики количественного оценивания областей компетентности изучаемых систем и оптимизации их структуры. Разработаны программные средства построения непараметрических моделей распознавания образов коллективного типа в среде Delphi для IBM совместимых компьютеров, что позволило исследовать их свойства при конечных объёмах обучающих выборок. По данным вычислительного эксперимента определены статистические зависимости оценки вероятности ошибки распознавания образов непараметрического коллектива от параметров его структуры (количество упрощённых аппроксимаций решающей функции, их вида), объёма и размерности обучающей выборки. Полученные научные результаты обеспечивают их дальнейшее развитие при исследовании новых модифицированных моделей распознавания образов коллективного типа, учитывающих информацию об эффективности упрощённых аппроксимаций решающей функции.