Ідентифікація стану об'єкта в умовах нечітких вхідних даних

Автор(и)

  • Serhii Semenov Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0003-4472-9234
  • Oksana Sira Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-4869-2371
  • Svitlana Gavrylenko Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-6919-0055
  • Nina Kuchuk Харківський національний університет імені В. Н. Каразіна майдан Свободи, 4, м. Харків, Україна, 61022, Україна https://orcid.org/0000-0002-0784-1465

DOI:

https://doi.org/10.15587/1729-4061.2019.157085

Ключові слова:

нечіткі багатовимірний дискримінантний, кластерний, регресійний аналізи, технології зведення нечітких задач до чітких

Анотація

Проведена модернізація методів ідентифікації стану об'єктів в умовах нечітких вхідних даних, описаних своїми функціями належності. Обраний напрямок вдосконалення традиційних методів пов'язаний із принциповими особливостями вирішення цього завдання в реальних умовах малої вибірки вхідних даних. У цих умовах для розв’язання задачі ідентифікації стану доцільно перейти до менш вибагливої в інформаційному відношенні технології опису вихідних даних, заснованої на математичному апараті нечіткої математики. Цей перехід зажадав розробки нових формальних методів вирішення конкретних завдань. При цьому для багатовимірного дискримінантного аналізу розроблено методику розв’язання нечіткої системи лінійних алгебраїчних рівнянь. Для вирішення завдання кластеризації запропонована спеціальна процедура порівняння нечітких відстаней між об'єктами кластеризації і центрами групування. Обраний напрямок вдосконалення традиційного методу регресійного аналізу визначено неможливістю використання класичного методу найменших квадратів в умовах, коли всі змінні описані нечітко. Ця обставина привела до необхідності побудови спеціальної двохкрокової процедури вирішення завдання. При цьому реалізується мінімізація лінійної комбінації міри видалення шуканого рішення від модального і міри компактності функції приналежності пояснювальної змінної. Технологія нечіткого регресійного аналізу реалізована в важливому для практики випадку, коли вихідні нечіткі дані описані загальними функціями приналежності (L-R) типу. При цьому отримано аналітичний розв'язок задачі у вигляді розрахункових формул. В результаті обговорення показано, що модернізація класичних методів рішення задачі ідентифікації стану з урахуванням нечіткого характеру представлення вихідних даних дозволила проводити ідентифікацію об'єктів в реальних умовах малої вибірки нечітких вихідних даних

Біографії авторів

Serhii Semenov, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Доктор технічних наук, професор

Кафедра «Обчислювальна техніка та програмування»

Oksana Sira, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Доктор технічних наук, професор

Кафедра розподілених інформаційних систем і хмарних технологій

Svitlana Gavrylenko, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Кандидат технічних наук, доцент

Кафедра «Обчислювальна техніка та програмування»

Nina Kuchuk, Харківський національний університет імені В. Н. Каразіна майдан Свободи, 4, м. Харків, Україна, 61022

Кандидат педагогічних наук

Кафедра теоретичної та прикладної системотехніки

Посилання

  1. Nemrodov, D., Niemeier, M., Mok, J. N. Y., Nestor, A. (2016). The time course of individual face recognition: A pattern analysis of ERP signals. NeuroImage, 132, 469–476. doi: https://doi.org/10.1016/j.neuroimage.2016.03.006
  2. Li, D.-F. (2005). Multiattribute decision making models and methods using intuitionistic fuzzy sets. Journal of Computer and System Sciences, 70 (1), 73–85. Doi: https://doi.org/10.1016/j.jcss.2004.06.002
  3. Duda, R., Hart, P., Stork, D. (2000). Pattern Classification. Wiley-Intersience, 688.
  4. Borovikov, V. P. (2005). Iskusstvo analiza dannyh. Piter: Sankt-Peterburg, 432.
  5. Goia, A., Vieu, P. (2016). An introduction to recent advances in high/infinite dimensional statistics. Journal of Multivariate Analysis, 146, 1–6. doi: https://doi.org/10.1016/j.jmva.2015.12.001
  6. Mika, S., Ratsch, G., Weston, J., Scholkopf, B., Mullers, K. R. (1999). Fisher discriminant analysis with kernels. Neural Networks for Signal Processing IX: Proceedings of the 1999 IEEE Signal Processing Society Workshop (Cat. No.98TH8468). doi: https://doi.org/10.1109/nnsp.1999.788121
  7. Bessokirnaya, G. P. (2003). Diskriminantniy analiz dlya otbora informativnyh peremennyh. Sociologiya: metodologiya, metody, matematicheskoe modelirovanie (4M), 16, 25–35.
  8. Bityukov, V. K. (2001). Formatirovanie klassov ob'ektov metodom diskriminantnogo mnogomernogo analiza. Vestnik Voronezhskogo gosudarstvennogo universiteta inzhenernyh tekhnologiy, 6, 13–19.
  9. Muhamediev, B. M. (2007). Ekonometrika i ekonometricheskoe prognozirovanie. Almaty, 198.
  10. Egorenko, M. V., Bohovko, A. G. (2016). Cluster analysis as a tool for grouping researched variablese. Mezhdunarodniy nauchno-issledovatel'skiy zhurnal, 7, 25–29. doi: http://doi.org/10.18454/IRJ.2016.49.096
  11. Hong, Y., Kwong, S. (2008). To combine steady-state genetic algorithm and ensemble learning for data clustering. Pattern Recognition Letters, 29 (9), 1416–1423. doi: https://doi.org/10.1016/j.patrec.2008.02.017
  12. Streke, A., Ghosh, J. (2002). Cluster Ensembles – A Knowledge Reuse Framework for Combining Multiple Partitions. Journal of Machine Learning Research, 3, 583–617.
  13. Krishna, K., Narasimha Murty, M. (1999). Genetic K-means algorithm. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 29 (3), 433–439. doi: https://doi.org/10.1109/3477.764879
  14. Chang, Y.-H. O., Ayyub, B. M. (2001). Fuzzy regression methods – a comparative assessment. Fuzzy Sets and Systems, 119 (2), 187–203. doi: https://doi.org/10.1016/s0165-0114(99)00091-3
  15. Hong, D. H., Lee, S., Do, H. Y. (2001). Fuzzy linear regression analysis for fuzzy input–output data using shape-preserving operations. Fuzzy Sets and Systems, 122 (3), 513–526. doi: https://doi.org/10.1016/s0165-0114(00)00003-8
  16. Sira, O. V., Al-Shqeerat, K. H. (2009). A New Approach for Resolving Equations with Fuzzy Parameters. European Journal of Scientific Research, 38 (4), 619–625.
  17. Chen, F., Chen, Y., Zhou, J., Liu, Y. (2016). Optimizing h value for fuzzy linear regression with asymmetric triangular fuzzy coefficients. Engineering Applications of Artificial Intelligence, 47, 16–24. doi: https://doi.org/10.1016/j.engappai.2015.02.011
  18. Yang, M.-S., Lin, T.-S. (2002). Fuzzy least-squares linear regression analysis for fuzzy input–output data. Fuzzy Sets and Systems, 126 (3), 389–399. doi: https://doi.org/10.1016/s0165-0114(01)00066-5
  19. Zack, Y. A. (2017). Fuzzy-regression models under conditions of the presence of non-numeric data in the statistical sample. System Research & Information Technologies, 1, 88–96. doi: https://doi.org/10.20535/srit.2308-8893.2017.1.07
  20. Fakhar, K., El Aroussi, M., Saidi, M. N., Aboutajdine, D. (2016). Fuzzy pattern recognition-based approach to biometric score fusion problem. Fuzzy Sets and Systems, 305, 149–159. doi: https://doi.org/10.1016/j.fss.2016.05.005
  21. Raskin, L. G., Seraya, O. V. (2008). Nechetkaya matematika. Osnovy teorii. Prilozheniya. Kharkiv: Parus, 352.
  22. Semenov, S. G., Gavrylenko, S. Y., Chelak, V. V. (2016). Developing parametrical criterion for registering abnormal behavior in computer and telecommunication systems on the basis of economic tests. Actual Problems of Economics, 4, 451–459.
  23. Seraya, O. V., Demin, D. A. (2012). Linear regression analysis of a small sample of fuzzy input data. Journal of Automation and Information Sciences, 44 (7), 34–48. doi: https://doi.org/10.1615/jautomatinfscien.v44.i7.40
  24. Tymchuk, S. (2013). Definition of information uncertainty in power engineering. Technology audit and production reserves, 6 (5 (14)), 33–35. Available at: http://journals.uran.ua/tarp/article/view/19648/17296
  25. Semenov, S., Sira, O., Kuchuk, N. (2018). Development of graphic­analytical models for the software security testing algorithm. Eastern-European Journal of Enterprise Technologies, 2 (4 (92)), 39–46. doi: https://doi.org/10.15587/1729-4061.2018.127210
  26. Mozhaev, O., Kuchuk, H., Kuchuk, N., Mozhaev, M., Lohvynenko, M. (2017). Multiservice network security metric. 2017 2nd International Conference on Advanced Information and Communication Technologies (AICT). doi: https://doi.org/10.1109/aiact.2017.8020083
  27. Raskin, L., Sira, O. (2016). Method of solving fuzzy problems of mathematical programming. Eastern-European Journal of Enterprise Technologies, 5 (4 (83)), 23–28. doi: https://doi.org/10.15587/1729-4061.2016.81292
  28. Strizhov, V. V., Krymova, E. A. (2010). Metody vybora regressionnyh modeley. Moscow: VC RAN, 60.

##submission.downloads##

Опубліковано

2019-02-19

Як цитувати

Semenov, S., Sira, O., Gavrylenko, S., & Kuchuk, N. (2019). Ідентифікація стану об’єкта в умовах нечітких вхідних даних. Eastern-European Journal of Enterprise Technologies, 1(4), 22–30. https://doi.org/10.15587/1729-4061.2019.157085

Номер

Том 1 № 4 (2019): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2019 Serhii Semenov, Oksana Sira, Svitlana Gavrylenko, Nina Kuchuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.