Пошук академічних текстів

Інформація × Реєстраційний номер 0216U001497, 0113U000361 , Науково-дослідна робота Назва роботи Нейро-фаззі системи для поточної кластеризації та класифікації послідовностей даних за умов їх викривленості відсутніми та аномальними спостереженнями Назва етапу роботи Керівник роботи Бодянський Євгеній Володимирович, Доктор технічних наук Дата реєстрації 17-02-2016 Організація виконавець Харківський національний університет радіоелектроніки Опис етапу Об'єкт дослідження - гібридні системи обчислювального інтелекту, засновані на м'яких та рідких обчисленнях, для поточної кластеризації та класифікації викривлених даних. Мета проекту - подальший розвиток теорії, нових методів та засобів обчислювального інтелекту, призначених для розв'язання широкого класу задач інтелектуального аналізу даних і, перш за все, кластеризації та класифікації з використанням найсучасніших досягнень у цій галузі (рідкі обчислення, спайк-нейронні мережі, фаззі-системи типу-2) у реальному часі за умов дефіциту та викривленості вихідної інформації. Створено адаптивні гібридні online методи кластеризації та класифікації даних, що можуть бути представлені у вигляді таблиць "об'єкт-властивість" або багатовимірних часових рядів. Розроблено нові швидкодіючі методи кластеризації-класифікації, що на відміну від існуючих дозволяють оброблювати інформацію у послідовному режимі реального часу, при цьому як кількість пропусків, так і їх розташування у масивах даних припускаються невідомими. Передбачені режими як відновлення вихідних масивів, так і прямої їх обробки, при цьому кількість пропусків є співрозмірною із кількістю невикривлених даних. За умов надкороткої вибірки даних передбачено використання нового методу просторової екстраполяції вкупі із набором різного типу метрик, що орієнтовані на роботу за умов викривленої інформації. Запропоновані нейро-фаззі методи здатні обробляти суттєво викривлену інформацію в online режимі. Розроблено та досліджено методи online кластеризації та класифікації даних у вигляді таблиць "об'єкт-властивість" та коротких часових рядів, включаючи багатовимірні векторні та матричні, за наявності аномальних викидів невідомої природи. Методи описані у вигляді рекурентних процедур або правил нечіткого виведення та орієнтовані на реалізацію в якості алгоритмів навчання-самонавчання гібридних нейро-фаззі систем. Відмінністю підходу, що пропонується, є використання замість традиційних робастних критеріїв навчання або цільових функцій кластеризації спеціального типу функцій подібності, що придушують аномальні викиди. Ці функції засновані на так званих "часткових метриках", що дозволяє використовувати їх для оброблення даних з пропусками. Таким чином, запропоновані методи є двічі робастними як відносно викидів, так і відносно пропусків, в яких містяться загублені спостереження. Ще однією особливістю введеного підходу є можливість роботи за умов класів, що перетинаються. Це означає, що одне спостереження може одночасно належати двом або більше класам з різними рівнями належності (в сенсі теорії нечітких множин). Рекурентне представлення методів дозволяє використовувати їх для навчання нечітких самоорганізовних мап, при цьому важливо, що як функції подібності, так і функції належності, так і функції сусідства самоорганізовних мап є за своєю сутністю ядерними (дзвонуватими) конструкціями, що можуть мати однотипну форму кошіанів. Це значно спрощує чисельну реалізацію методів та підвищує швидкодію процесів опрацювання викривлених даних. Розроблено архітектури та правила on-line навчання нейро-фаззі систем кластеризації, класифікації та діагностування на основі викривлених даних, що послідовно надходять на обробку, при чому ці дані містять як пропуски, так і аномальні викиди. При чому в процесі навчання-самонавчання передбачено налаштування не лише синаптичних ваг, але й функцій активації-належності та власне архітектури. Це дозволило на відміну від відомих підходів опрацьовувати у реальному часі великі масиви даних на основі концепцій Big Data та Data Stream Mining. Запропоновано імунний підхід до класифікації даних та прогнозування часових рядів за умов наявності аномальних викидів у вхідних даних, що дозволяє підвищити ефективність інтелектуальної обробки інформації за зазначених умов. Отримані результати відповідають світовому рівню досягнень та на сьогодні не мають аналогів, оскільки всі відомі аналоги орієнтовані на обробку даних у пакетному режимі, причому завдання обробки процесів та аномальних викидів розглядаються окремо на основі статистичних методів, що жорстко прив'язані до конкретних типів розподілів. On-line версії сумісної обробки нелінійних сигналів на сьогодні невідомі. Опис продукції Створено адаптивні гібридні online методи кластеризації та класифікації даних, що можуть бути представлені у вигляді таблиць "об'єкт-властивість" або багатовимірних часових рядів. Розроблено нові швидкодіючі методи кластеризації-класифікації, що на відміну від існуючих дозволяють оброблювати інформацію у послідовному режимі реального часу, при цьому як кількість пропусків, так і їх розташування у масивах даних припускаються невідомими. Автори роботи Єлісеєв А.О. Єлаков С.Г. Єськов Р.Г. Іващенко Г.С. Ілюнін О.О. Агафонов В.В. Аксак Н.Г. Алексенко В.С. Барковская О.Ю. Безсонов О.О. Богучарський С.І. Бойко О.О. Винокурова О.А. Ганжа Д.Д. Гришко А.О. Дейнеко А. А. Денищук П.М. Долотов А.І. Дрюк О.Д. Езе Ф.М. Житник І.О. Заїка О.А. Кіріченко Л.О. Кобилін І.О. Кобицька Ю.А. Колчигін Б.В. Коляда М.О. Копаліані Д.С. Корабльов М.М. Костин Д.Ю. Краснояружська К.Г. Куценко Я.В. Кушнарьов М.В. Лєщенко О.В. Ламонова Н.С. Легедіна О.В. Малишева Д.М. Машошин Д.А. Машталір С.В. Нечитайло А.Ю. Плісс І.П. Попов С.В. Самітова В.О. Сапожников Ю.А. Скуратов М.В. Соковікова Н.С. Сорокіна І.В. Сотніков О.М. Стольнікова М.З. Тімофєєв В.О. Татарінова Ю.Є. Тесленко Н.О. Тихонов А.О. Тищенко О.К. Удовенко С.Г. Ушков К.І. Фомічов О.О. Харченко О.О. Цибулько В.І. Чепенко Т.Є. Шафроненко А.Ю. Шкловець А.В. Шкуро К.О. Додано в НРАТ 2020-04-02 Закрити