Збільшення частки коректної кластеризації характеристичного сигналу з випадковими втратами на картах самоорганізації

Автор(и)

  • Svitlana Shapovalova Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-3431-5639
  • Yurii Moskalenko Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-0824-9201

DOI:

https://doi.org/10.15587/1729-4061.2019.160670

Ключові слова:

карта самоорганізації, SOM, ESOINN, нейронні мережі Кохонена (Kohonen), сигнал з втратами, втрати в часовому ряді, класифікація за характеристичним сигналом

Анотація

Проведено аналіз способів оптимізації алгоритмів функціонування нейронних мереж Кохонена – карт самоорганізації (Self-organizing map – SOM) за швидкістю навчання та часткою коректної кластеризації. Визначено ефективну оптимізацію карт самоорганізації за другим критерієм – Enhanced Self-Organizing Incremental Neural Network (ESOINN). Визначено, що у випадку неповного вхідного сигналу, тобто сигналу з втратами в невідомі моменти часу, частка коректної кластеризації неприпустимо низька на будь-яких алгоритмах SOM, як базових, так і оптимізованих.

Неповний сигнал представлено як вхідний вектор нейронної мережі, значення якого подані єдиним масивом тобто без урахування відповідності моментів втрат поточним значенням і без можливості визначення цих моментів. Запропоновано та програмно реалізовано спосіб визначення відповідності неповного вхідного вектора до вхідного шару нейронів для підвищення частки коректного розпізнавання. Спосіб засновано на пошуку мінімальної відстані між поточним вхідним вектором та вектором-ваг кожного з нейронів. Для зменшення часу роботи алгоритму запропоновано оперувати не окремими значеннями вхідного сигналу, а їх неподільними частинами та відповідними групами вхідних нейронів. Запропонований спосіб реалізовано для SOM та ESOINN. Для доведення ефективності реалізації базового алгоритму SOM проведено його верифікацію з існуючими аналогами інших розробників.

Розроблено математичну модель для формування прикладів повних сигналів навчальної вибірки на основі еталонних кривих другого порядку та сформовано навчальну вибірку. За цією навчальною вибіркою було проведено навчання всіх нейронних мереж, реалізованих з використанням запропонованого способу та без нього. Розроблено схему імітації втрат та згенеровано тестові вибірки для обчислювальних експериментів на неповних сигналах.

На основі експериментів доведено ефективність запропонованого способу для класифікації за неповним вхідним сигналом на основі карт самоорганізації як для реалізацій базового алгоритму SOM, так і для ESOINN

Біографії авторів

Svitlana Shapovalova, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056

Кандидат технічних наук, доцент

Кафедра автоматизації проектування енергетичних процесів і систем

 

Yurii Moskalenko, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056

Аспірант

Кафедра автоматизації проектування енергетичних процесів і систем

Посилання

  1. Passoni, L. I., Dai Pra, A. I., Meschino, G. J., Guzman, M., Weber, C., Rabal, H., Trivi, M. (2014). Unsupervised learning segmentation for dynamic speckle activity images. arXiv. Available at: https://arxiv.org/abs/1408.3818
  2. Fustes, D., Manteiga, M., Dafonte, C., Arcay, B., Ulla, A., Smith, K. et. al. (2013). An approach to the analysis of SDSS spectroscopic outliers based on self-organizing maps. Astronomy & Astrophysics, 559, A7. doi: https://doi.org/10.1051/0004-6361/201321445
  3. Meusinger, H., Brünecke, J., Schalldach, P., in der Au, A. (2017). A large sample of Kohonen selected E+A (post-starburst) galaxies from the Sloan Digital Sky Survey. Astronomy & Astrophysics, 597, A134. doi: https://doi.org/10.1051/0004-6361/201629139
  4. Fraccalvieri, D., Bonati, L., Stella, F. (2013). Self Organizing Maps to efficiently cluster and functionally interpret protein conformational ensembles. Electronic Proceedings in Theoretical Computer Science, 130, 83–86. doi: https://doi.org/10.4204/eptcs.130.13
  5. Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43 (1), 59–69. doi: https://doi.org/10.1007/bf00337288
  6. Su, M.-C., Liu, T.-K., Chang, H.-T. (2002). Improving the self-organizing feature map algorithm using an efficient initialization scheme. Tamkang Journal of Science and Engineering, 5 (1), 35–48.
  7. Shapovalova, S. I., Sharaievskyi, H. I. (2007). Kompiuterne modeliuvannia karty samoorhanizatsiyi dlia rozviazannia zadachi rozpiznavannia syhnaliv. Visnyk natsionalnoho universytetu “Lvivska politekhnika”, 574, 75–80.
  8. Su, M.-C., Chang, H.-T. (1998). Genetic-algorithms-based approach to self-organizing feature map and its application in cluster analysis. 1998 IEEE International Joint Conference on Neural Networks Proceedings. IEEE World Congress on Computational Intelligence (Cat. No. 98CH36227). doi: https://doi.org/10.1109/ijcnn.1998.682372
  9. El Golli, A. (2005). Speeding up the self organizing map for dissimilarity data. Proceedings of International Symposium on Applied Stochastic Models and Data Analysis. Brest, 709–713.
  10. Conan-Guez, B., Rossi, F., El Golli, A. (2006). Fast algorithm and implementation of dissimilarity self-organizing maps. Neural Networks, 19 (6-7), 855–863. doi: https://doi.org/10.1016/j.neunet.2006.05.002
  11. Cuadros-Vargas, E., Romero, R. F., Obermayer, K. (2003). Speeding up algorithms of SOM family for large and high dimensional databases. In Workshop on Self Organizing Maps. Kitakyushu.
  12. Fritzke, B. (1994). Growing cell structures – A self-organizing network for unsupervised and supervised learning. Neural Networks, 7 (9), 1441–1460. doi: https://doi.org/10.1016/0893-6080(94)90091-4
  13. Cao, M., Li, A., Fang, Q., Kaufmann, E., Kröger, B. J. (2014). Interconnected growing self-organizing maps for auditory and semantic acquisition modeling. Frontiers in Psychology, 5. doi: https://doi.org/10.3389/fpsyg.2014.00236
  14. Cao, M., Li, A., Fang, Q., Kroger, B. J. (2013). Growing self-organizing map approach for semantic acquisition modeling. 2013 IEEE 4th International Conference on Cognitive Infocommunications (CogInfoCom). doi: https://doi.org/10.1109/coginfocom.2013.6719269
  15. Furao, S., Hasegawa, O. (2006). An incremental network for on-line unsupervised classification and topology learning. Neural Networks, 19 (1), 90–106. doi: https://doi.org/10.1016/j.neunet.2005.04.006
  16. Furao, S., Ogura, T., Hasegawa, O. (2007). An enhanced self-organizing incremental neural network for online unsupervised learning. Neural Networks, 20 (8), 893–903. doi: https://doi.org/10.1016/j.neunet.2007.07.008
  17. Algoritm Uluchshennoy Samoorganizuyushcheysya Rastushchey Neyronnoy Seti (ESOINN). Available at: https://habr.com/post/206116
  18. An enhanced self-organizing incremental neural network for online unsupervised learning. Available at: https://github.com/BelBES/ESOINN
  19. Encog Machine Learning Framework. Available at: https://github.com/encog/encog-java-core
  20. Neuroph – Java Neural Network Platform Neuroph. Available at: https://github.com/neuroph/neuroph
  21. Self-Organizing Incremental Neural Network. Available at: https://github.com/fukatani/soinn
  22. Growing Self-Organizing Map. Available at: https://github.com/philippludwig/pygsom

##submission.downloads##

Опубліковано

2019-03-25

Як цитувати

Shapovalova, S., & Moskalenko, Y. (2019). Збільшення частки коректної кластеризації характеристичного сигналу з випадковими втратами на картах самоорганізації. Eastern-European Journal of Enterprise Technologies, 2(4 (98), 13–21. https://doi.org/10.15587/1729-4061.2019.160670

Номер

Том 2 № 4 (98) (2019): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2019 Svitlana Shapovalova, Yurii Moskalenko

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.