Участник:Strijov/Черновики

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Устарело)
Строка 28: Строка 28:
* '''Новизна''': Предложен новый метод восстановления движений на основе электрокортикограмм.
* '''Новизна''': Предложен новый метод восстановления движений на основе электрокортикограмм.
* '''Авторы''': В.В. Стрижов, консультант ??
* '''Авторы''': В.В. Стрижов, консультант ??
 +
=== Задача 5 ===
 +
* '''Название''': Локальная аппроксимация временных рядов для построения прогностических метамоделей.
 +
* '''Задача''': Исследуется физическая активность человека по временным рядам - измерениям акселерометра. Целью проекта является создание инструмента для анализа проблемы созания моделей прогнозирования моделей - метамоделей. Исследуется сегмент временного ряда. Требуется спрогнозировать класс сегмента. (Вариант: спрогнозировать окончание сегмента, последующий сегмент, его класс. При этом класс последующего сегмента может отличаться от класса предыдущего).
 +
* '''Данные''': Взять за основу выборку Santa Fe или WISDM (выборки состоят из сегментов со многими элементарными движениями и соответствующими сегментам метками классов), вариант OPPORTUNITY Activity Recognition Challenge.
 +
* '''Литература''':
 +
** Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [[http://strijov.com/papers/Karasikov2016TSC.pdf URL]]
 +
** Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483. [[http://jmlda.org/papers/doc/2015/no11/Ivkin2015TSclassification.pdf URL]]
 +
* '''Базовой алгоритм''': [Карасиков 2016]
 +
* '''Решение''': См. [[Media:Local_appr.pdf|описание задачи]].
 +
* '''Новизна''': При создании метапрогностических моделей (моделей прогнозирования прогностических моделей) остается открытой проблема использования значений параметров локальных моделей при создании метамоделей. Цель нижеприведенного проекта - создание инструмента для анализа этой проблемы.
 +
* '''Авторы''': В.В. Стрижов
 +
 +
== Устарело ==
== Устарело ==
Инструменты
Инструменты

Версия 22:38, 12 января 2018

Содержание

Задача 1

  • Название: Классификация видов деятельности человека по измерениям фитнес-браслетов.
  • Задача: По измерениям акселерометра и гироскопа требуется определить вид деятельности рабочего. Предполагается, что временные ряды измерений содержат элементарные движения, которые образуют кластеры в пространстве описаний временных рядов. Характерная продолжительность движения – секунды. Временные ряды размечены метками вида деятельности: работа, отдых. Характерная продолжительность деятельности – минуты. Требуется по описанию временного ряда и кластера восстановить вид деятельности.
  • Данные: Временные ряды акселерометра WISDM (Временной ряд (библиотека примеров), раздел Accelerometry).
  • Литература:
    • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [URL]
    • Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483. [URL]
    • Исаченко Р.В., Стрижов В.В. Метрическое обучение в задачах многоклассовой классификации временных рядов // Информатика и ее применения, 2016, 10(2) : 48-57. [URL]
    • Задаянчук А.И., Попова М.С., Стрижов В.В. Выбор оптимальной модели классификации физической активности по измерениям акселерометра // Информационные технологии, 2016. [URL]
    • Motrenko A.P., Strijov V.V. Extracting fundamental periods to segment human motion time series // Journal of Biomedical and Health Informatics, 2016, Vol. 20, No. 6, 1466 - 1476. [URL]
    • Ignatov A., Strijov V. Human activity recognition using quasiperiodic time series collected from a single triaxial accelerometer // Multimedia Tools and Applications, 2015, 17.05.2015 : 1-14. [URL]
  • Базовой алгоритм: Базовый алгоритм описан в работах [Карасиков, Стрижов: 2016] и [Кузнецов, Ивкин: 2014].
  • Решение: Найти оптимальный способ сегментации и оптимальное описание временного ряда. Построить метрическое пространство описаний элементарных движений.
  • Новизна:: Соединение двух характеристических времен описания жизни человека, комбинированная постановка задачи.
  • Авторы: В.В. Стрижов, Р.Г. Нейчев

Задача 2

  • Название: Построение аппроксимирующего описания скалограммы в задаче прогнозирования движений по электрокортикограмме.
  • Задача: В рамках решения задачи декодирования сигналов ECoG решается задача классификации движений по временным рядам показаний электродов. Инструментами для извлечения признаков из временных рядов ECoG являются коэффициенты вейвлет-преобразования исследуемого сигнала [Макарчук 2016], на основе которых для каждого электрода строится скалограмма - двумерный массив признаков в пространстве частота-время. Объединение скалограмм для каждого электрода даёт признаки временного ряда в пространственно-частотно-временной области. Построенное таким образом признаковое описание заведомо содержит мультикоррелирующие признаки и является избыточным. Требуется предложить метод снижения размерности признакового пространства.
  • Данные: Измерения положений пальцев при совершении простых жестов. Описание экспериментов данные.
  • Литература:
    • Макарчук Г.И., Задаянчук А.И. Стрижов В.В. 2016. Использование метода частичных наименьших квадратов для декодирования движения руки с помощью ECoG сигналов у обезьян. pdf
    • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [URL]
    • Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483.
  • Базовой алгоритм: PLS

Chen C, Shin D, Watanabe H, Nakanishi Y, Kambara H, et al. (2013) Prediction of Hand Trajectory from Electrocorticography Signals in Primary Motor Cortex. PLoS ONE 8(12): e83534.

  • Решение: Для снижения размерности предлагается использовать метод локальной аппроксимации, предложенный в [Кузнецов 2015] использованный для классификации акселерометрических временных рядов [Карасиков 2016].
  • Новизна: Предложен новый метод восстановления движений на основе электрокортикограмм.
  • Авторы: В.В. Стрижов, консультант ??

Задача 5

  • Название: Локальная аппроксимация временных рядов для построения прогностических метамоделей.
  • Задача: Исследуется физическая активность человека по временным рядам - измерениям акселерометра. Целью проекта является создание инструмента для анализа проблемы созания моделей прогнозирования моделей - метамоделей. Исследуется сегмент временного ряда. Требуется спрогнозировать класс сегмента. (Вариант: спрогнозировать окончание сегмента, последующий сегмент, его класс. При этом класс последующего сегмента может отличаться от класса предыдущего).
  • Данные: Взять за основу выборку Santa Fe или WISDM (выборки состоят из сегментов со многими элементарными движениями и соответствующими сегментам метками классов), вариант OPPORTUNITY Activity Recognition Challenge.
  • Литература:
    • Карасиков М.Е., Стрижов В.В. Классификация временных рядов в пространстве параметров порождающих моделей // Информатика и ее применения, 2016. [URL]
    • Кузнецов М.П., Ивкин Н.П. Алгоритм классификации временных рядов акселерометра по комбинированному признаковому описанию // Машинное обучение и анализ данных. 2015. T. 1, № 11. C. 1471 - 1483. [URL]
  • Базовой алгоритм: [Карасиков 2016]
  • Решение: См. описание задачи.
  • Новизна: При создании метапрогностических моделей (моделей прогнозирования прогностических моделей) остается открытой проблема использования значений параметров локальных моделей при создании метамоделей. Цель нижеприведенного проекта - создание инструмента для анализа этой проблемы.
  • Авторы: В.В. Стрижов


Устарело

Инструменты

MikTeX LaTex interpreter 2.9 - ok
Ramus IDEF0 Editor
GhostScript PS/PDF render 32-bit (change to 64)
GSview PS PDF Viewer 64-bit
EPSViewer EPS Viewer 32-bit
JabRef Bibliography reference manager
Tortoise SVN Interface to Subversion control 64-bit only for Windows7
Daemon-Tools Windows7-version only, not installed, not used
Kaspersky Internet Security Antivirus
WinMerge Compare two files or folders
Microsoft Office Is it possible to change it for OpenOffice?
GoodSync External HDD syncro
Skypeor Full version for Win 8.1 IP telephone strijov
WinEdt6 vs WinEdt5.3
Lizardtech DjVu Browser Scanned books Plug-in
InkScape Graphics with EPS and TeX export
mactex

Настройки

  • Поиск в Windows 7: флаг, параметры индексирования, дополнительно, типы файлов: [TeX, m], индексировать содержимое. Добавить папки.
  • Установка LaTex под El Capitan




Свидетельство о государственной регистрации программ для ЭВМ

  • 2016617272 Макет модуля прогнозирования объемов спроса на грузовые железнодорожные перевозки
  • 2016617271 Генератор модельных исходных данных объемов спроса на грузовые железнодорожные перевозки и экзогенных факторов
  • 2010613192 Программная система для построения интегральных индикаторов качества
Личные инструменты