Удосконалений алгоритм вибору інформативних ознак з їх попарним урахуванням в задачах розпізнавання станів складних систем

Автор(и)

  • Володимир Васильович Осипенко Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-1077-1461
  • Борис Миколайович Злотенко Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-0870-8535
  • Тетяна Ігорівна Кулік Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-1006-7853
  • Світлана Анатоліївна Демішонкова Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0001-5678-8114
  • Олег Миколайович Синюк Хмельницький національний університет, Україна https://orcid.org/0000-0002-9615-0729
  • Володимир Іванович Онофрійчук Хмельницький національний університет, Україна https://orcid.org/0000-0002-2914-4986
  • Світлана Валеріївна Смутко Хмельницький національний університет, Україна https://orcid.org/0000-0002-7344-3799

DOI:

https://doi.org/10.15587/1729-4061.2021.229756

Ключові слова:

комп’ютерні системи, комп’ютерне діагностування, розпізнавання образів, складна система, інформативні ознаки

Анотація

Проблема комп’ютерного діагностування станів складних систем належить до нетривіальних завдань сучасних інформаційних технологій. До таких систем відносяться, наприклад, комп’ютерні мережі, автоматичні та/або автоматизовані системи управління складними технологічними об’єктами, у т.ч. пов’язаними із складними задачами екологічного характеру, біології, тощо. У процесі розпізнавання образів одну з провідних ролей відіграє проблема формування підпросторів інформативних ознак, які саме в «ансамблі» дозволяють виконувати з високим ступенем надійності діагностування станів таких систем.

Запропонований ефективний підхід до вирішення вказаної проблеми, що базується на застосуванні принципів індуктивного моделювання складних систем. Сформульований критерій якості розпізнавання класів, який дає можливість також оцінювати і якість сконструйованого ансамблю інформативних ознак.

В якості прикладу розглянуто задачу конструювання ансамблю інформативних ознак, представлених бінарним кодом на даних експерименту із визначення рівнів небезпеки деяких засобів захисту рослин. Використані реальні первинні дані стосовно засобів захисту рослин, які застосовуються на практиці, для розпізнавання впливу тих чи інших характеристик на так званий інтегральний «показник небезпеки».

Наведені порівняльні числові оцінки ефективності запропонованого підходу. При цьому виграш за обсягом обчислень для відносно невеликої кількості вхідних ознак рівною 5 може бути п'ятиразовим в порівнянні з відомими алгоритмами розглянутого в роботі класу. Доведено, що ефективність роботи такого алгоритму буде зростати при збільшенні розмірності простору ознак

Біографії авторів

Володимир Васильович Осипенко, Київський національний університет технологій та дизайну

Доктор технічних наук, професор

Кафедра комп’ютерної інженерії та електромеханіки

Борис Миколайович Злотенко, Київський національний університет технологій та дизайну

Доктор технічних наук, професор, завідувач кафедри

Кафедра комп’ютерної інженерії та електромеханіки

Тетяна Ігорівна Кулік, Київський національний університет технологій та дизайну

Докторка технічних наук, доцентка

Кафедра комп’ютерної інженерії та електромеханіки

Світлана Анатоліївна Демішонкова, Київський національний університет технологій та дизайну

Кандидатка технічних наук, доцентка

Кафедра комп’ютерної інженерії та електромеханіки

Олег Миколайович Синюк, Хмельницький національний університет

Доктор технічних наук, професор

Кафедра машин і апаратів, електромеханічних та енергетичних систем

Володимир Іванович Онофрійчук, Хмельницький національний університет

Кандидат технічних наук

Кафедра машин і апаратів, електромеханічних та енергетичних систем

Світлана Валеріївна Смутко, Хмельницький національний університет

Кандидатка технічних наук, доцентка

Кафедра машин і апаратів, електромеханічних та енергетичних систем

Посилання

  1. Yang, J., Honavar, V. (1998). Feature Subset Selection Using a Genetic Algorithm. Feature Extraction, Construction and Selection, 117–136. doi: https://doi.org/10.1007/978-1-4615-5725-8_8
  2. Carpenter, G. A., Grossberg, S. (1987). ART 2: self-organization of stable category recognition codes for analog input patterns. Applied Optics, 26 (23), 4919. doi: https://doi.org/10.1364/ao.26.004919
  3. Ilnitskiy, A., Burba, O. (2019). Statistical criteria for assessing the informativity of the sources of radio emission of telecommunication networks and systems in their recognition. Cybersecurity: Education, Science, Technique, 1 (5), 83–94. doi: https://doi.org/10.28925/2663-4023.2019.5.8394
  4. Zayats, V. M., Shokyra, G. Ya. (2012). Correction priority early signs in constructing recognition systems. Naukovyi visnyk NLTU Ukrainy, 22.7, 344–350.
  5. Jensen, R., Shen, Q. (2004). Semantics-preserving dimensionality reduction: rough and fuzzy-rough-based approaches. IEEE Transactions on Knowledge and Data Engineering, 16 (12), 1457–1471. doi: https://doi.org/10.1109/tkde.2004.96
  6. Jain, A. K., Duin, P. W., Mao, J. (2000). Statistical pattern recognition: a review. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22 (1), 4–37. doi: https://doi.org/10.1109/34.824819
  7. Lavrakas, P. (2008). Encyclopedia of survey research methods. Sage Publications. doi: https://doi.org/10.4135/9781412963947
  8. Dopico, J. R. R., Dorado, J., Pazos, A. (Eds.) (2009). Encyclopedia of artificial intelligence. IGI Global. doi: https://doi.org/10.4018/978-1-59904-849-9
  9. Everitt, B. S., Landau, S., Leese, M., Stahl, D. (2011). Cluster Analysis. John Wiley & Sons, Ltd. doi: https://doi.org/10.1002/9780470977811
  10. Ivakhnenko, A. H., Koppa, Yu. V. (1974). Vybir ansambliu oznak i syntez bahatoriadnoho pertseptrona za oznakamy samoorhanizatsiyi. Avtomatyka, 2, 41–53.
  11. Ivahnenko, A. G., Koppa, Yu. V., Timchenko, I. K., Ivahnenko, N. A. (1980). Svyaz' teorii samoorganizatsii matematicheskih modeley na EVM i teorii raspoznavaniya obrazov. Avtomatika, 6, 3–13.
  12. Ivahnenko, A. G. (1981). Induktivnyy metod samoorganizatsii modeley slozhnyh sistem. Kyiv: Naukova dumka, 296.
  13. Gabor, D. (1971). Cybernetics and the Future of our Industrial Civilization. J. of Cybernetics, 1, 1–4.
  14. Gabor, D. (1972). Perspektivy planirovaniya. Avtomatika, 2, 16–22.
  15. Ivahnenko, A. G. (1989). Metod posledovatel'nogo oprobovaniya (perebora) klasterizatsiy-kandidatov po kriteriyam differentsial'nogo tipa. Raspoznavanie, klassifikatsiya, prognoz. Matematicheskie metody i ih primenenie, 2, 126–158.
  16. Madala, H. R., Ivakhnenko, A. G. (1994). Inductive learning algorithms for complex systems modeling. CRC Press, 380. doi: https://doi.org/10.1201/9781351073493
  17. Wójcik, W., Osypenko, V., Lytvynenko, V. (2013). The use of inductive clustering algorithms for forming expert groups in large-scale innovation projects. Elektronika: konstrukcje, technologie, zastosowania, 54 (8), 45–48. Available at: https://yadda.icm.edu.pl/baztech/element/bwmeta1.element.baztech-e864befd-7a77-411b-9ed7-44cb3446b06e
  18. Babichev, S., Lytvynenko, V., Osypenko, V. (2017). Implementation of the objective clustering inductive technology based on DBSCAN clustering algorithm. 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). doi: https://doi.org/10.1109/stc-csit.2017.8098832

##submission.downloads##

Опубліковано

2021-04-30

Як цитувати

Осипенко, В. В., Злотенко, Б. М., Кулік, Т. І., Демішонкова, С. А., Синюк, О. М., Онофрійчук, В. І., & Смутко, С. В. (2021). Удосконалений алгоритм вибору інформативних ознак з їх попарним урахуванням в задачах розпізнавання станів складних систем. Eastern-European Journal of Enterprise Technologies, 2(4 (110), 48–54. https://doi.org/10.15587/1729-4061.2021.229756

Номер

Том 2 № 4 (110) (2021): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2021 Volodymyr Osypenko, Borys Zlotenko, Tetiana Kulik, Svitlana Demishonkova, Oleh Synyuk, Volodymyr Onofriichuk, Svitlana Smutko

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.