Зовнішній критерій стабільності внутрішньомножинних відстаней в задачах діагностування станів технічних об’єктів

ЗОВНІШНІЙ КРИТЕРІЙ СТАБІЛЬНОСТІ ВНУТРІШНЬОМНОЖИННИХ ВІДСТАНЕЙ В ЗАДАЧАХ ДІАГНОСТУВАННЯ СТАНІВ ТЕХНІЧНИХ ОБ’ЄКТІВ

EXTERNAL CRITERION OF STABILITY OF INTRA-MULTIPLE DISTANCES IN TASKS OF DIAGNOSIS OF STATES OF TECHNICAL OBJECTS

Сторінки: 176–179. Номер: №4, 2022 (311)  
Автори:
ОСИПЕНКО В. В.
Київський національний університет технологій та дизайну
https://orcid.org/0000-0002-1077-1461
e-mail: vvo7@ukr.net
ЗЛОТЕНКО Б. М.
Київський національний університет технологій та дизайну
http://orcid.org/0000-0002-0870-8535
e-mail: zlotenco@ukr.net
КУЛІК Т. І.
Київський національний університет технологій та дизайну
http://orcid.org/0000-0002-1006-7853
e-mail: t-81@ukr.net
БІЛА Т. Я.
Київський національний університет технологій та дизайну
http://orcid.org/0000-0001-8937-5244
e-mail: bila.ty@knutd.edu.ua
ДЕМІШОНКОВА С. А.
Київський національний університет технологій та дизайну
https://orcid.org/0000-0001-5678-8114
e-mail: mashuk2007@ukr.net
Volodymyr OSYPENKO, Borys ZLOTENKO, Tetyana KULIK, Tatyana BILA., Svitlana DEMISHONKOVA
Kyiv National University of Technologies and Design
DOI: https://www.doi.org/10.31891/2307-5732-2022-311-4-176-179

Анотація мовою оригіналу

Метою дослідження є адаптація критеріїв бікластеризації, які володіють властивостями зовнішнього доповнення для задач класифікації станів складних технічних об’єктів в сфері комп’ютерної інженерії. В роботі застосовані принципи індуктивного моделювання складних систем, зокрема, принципу зовнішнього доповнення, а також методологія теорії розпізнавання образів, методи індуктивного кластерного аналізу, математична статистика. Конструювання критерію стабільності внутрішньо множинних відстаней базується на схемах відомих критеріїв самоорганізації моделей, зокрема критерію несуперечностей моделей, які мають широке застосування в багатокрокових алгоритмах розпізнавання образів з інтелектуальним вибором оптимальних результатів. В роботі запропоновано застосування критерію стабільності внутрішньо множинних відстаней в задачах діагностування станів технічних об’єктів, зокрема, у сфері комп’ютерної інженерії. Оскільки для застосування такого критерію необхідна наявність цільової ознаки, адаптовано один із варіантів розбиття вихідної експериментальної бази даних на дві підмножини:  підмножину цільових ознак і підмножину вхідних параметрів. Поняття внутрішньо множинних відстаней поширено на застосування в критеріях алгоритмів самоорганізації моделей оптимальної складності. Інтелектуальні алгоритми самоорганізації моделей оптимальної складності можуть бути застосовані для підвищення надійності експлуатації комп’ютерних систем.
Ключові слова: критерій, принцип зовнішнього доповнення, кластеризація, алгоритм, комп’ютерна система, самоорганізація моделей, інженерія.

Розширена анотація англійською  мовою

The purpose of the research is adaptation of biclasticization criteria, which have the properties of external complement to the problems of classification of states of complex technical objects in the field of computer engineering. The principles of inductive modelling of complex systems, in particular, the principle of external complementarity, as well as the methodology of the theory of pattern recognition, methods of inductive cluster analysis, mathematical statistics are applied. The construction of the criterion of stability of intra-multiple distances is based on the schemes of known criteria of self-organization of models, in particular the criterion of model inconsistencies, which are widely used in multi-step image recognition algorithms with intelligent choice of optimal results.
The paper proposes the application of the criterion of stability of intra-multiple distances in the problems of diagnosing the state of technical objects, in particular, in the field of computer engineering. Since the application of such a criterion requires the presence of a target feature, one of the options for splitting the original experimental database into two subsets has been adapted: a subset of target features and a subset of input parameters. The concept of intra-multiple distances is extended to the application of algorithms of optimal complexity in the criteria of self-organization algorithms. Intelligent algorithms for self-organization of models of optimal complexity can be used to increase the reliability of computer systems.
Keywords:  criterion, principle of external complement, clustering, algorithm, computer system, self-organization of models, engineering.

Література

1. Ивахненко А. Г. Индуктивный метод самоорганизации моделей сложных систем / А. Г. Ивахненко. – К. : Наукова думка, 1981. – 296 с.
2. Ivakhnenko A. G. Inductive learning algorithms for complex systems modeling / Ivakhnenko A. G., Madala H. R. – New York : Boca Raton, CRC Press, 1994. – 384 р.
3. Лур’є І. А. Гібридизація алгоритму індуктивного кластер-аналізу з використанням оцінки щільності розподілу даних [Електронний ресурс] / Лур’є І. А., Осипенко В. В., Литвиненко В. І., Таиф М. А., Корніловська Н. В. – Lviv Polytechnic National University Institutional Repository, 2015. – URL : http://ena.lp.edu.ua.
4. Осипенко В. В. Два підходи до розв’язання задачі кластеризації у широкому сенсі з позицій індуктивного моделювання / В. В. Осипенко // Вісник НУБіП України. Сер. Енергетика і автоматика. – 2014. – № 1. – С. 83–97. – URL : http://nbuv.gov.ua/j-pdf/eia_20141_11.pdf.
5. Duda R. O. Pattern Classification, 2nd Edition / Duda R. O., Hart P. E., Stork D. G., John. – New York : Wiley & Sons, 2001. – 738 p.
6. Сеньо П. С. Теорія ймовірностей та математична статистика : підручник / Сеньо П. С. – 1-е вид. – К. : Центр навчальної літератури, 2004. – 448 с.
7. Ту Дж. Принципи розпізнавання образів / Ту Дж., Гонсалес Р. – М. : Мир, 1978. – 414 с.
8. Васильев В. И. Распознающие системы : справочник / Васильев В. И. – 2-е изд. перераб. и доп. – К. : Наукова думка, 1983. – 422 с.
9. Babichev S. Implementation of the objective clustering inductive technology based on DBSCAN clustering algorithm / S. Babichev, V. Lytvynenko, V. Osypenko // 2017 IEEE 12th Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT): Proceedings, Sept. 05-08, 2017. – Lviv, 2017. – Р. 479–484. DOI: 10.1109/STC-CSIT.2017.8098832.
10. Орешков В. EМ – масштабируемый алгоритм кластеризации [Електронний ресурс] / Орешков В. – URL : https://loginom.ru/blog/em.

References

1. Ivakhnenko A. H. Ynduktyvnyi metod samoorhanyzatsiyi modelei slozhnykh system / A. H. Yvakhnenko // Kyev: Naukova dumka, 1981. – 296 p.
2. Ivakhnenko A. G. Inductive learning algorithms for complex systems modeling / Ivakhnenko A. G., Madala H. R. – New York : Boca Raton, CRC Press, 1994. – 384 р.
3. Lur’ie I. A. Hibrydyzatsiya alhorytmu induktyvnoho klaster-analizu z vykorystanniam otsinky shchilnosti rozpodilu danykh / Lur’ie I. A., Osypenko V. V., Lytvynenko V. I., Tayf M. A., Kornilovska N. V. – Lviv Polytechnic National University Institutional Repository. – 2015. – URL: http://ena.lp.edu.ua.
4. Osypenko V. V. Dva pidkhody do rozv’iazannia zadachi klasteryzatsii u shyrokomu sensi z pozytsii induktyvnoho modeliuvannia / V. V. Osypenko // Visnyk NUBiP Ukrainy. Ser. Enerhetyka i avtomatyka. – 2014. – № 1. – P. 83-97.
5. Duda R. O. Pattern Classification, 2nd Edition / Duda R. O., Hart P. E., Stork D. G., John. – New York : Wiley & Sons, 2001. – 738 p.
6. Seno P. S. Teoriya ymovirnostei ta matematychna statystyka. Pidruchnyk, 1-e vyd. / Seno P. S. – K. : Tsentr navchalnoi literatury, 2004. – 448 p.
7. Tu Dzh. Pryntsypy rozpiznavannia obraziv / Tu Dzh., Honsales R. – M.: Myr, 1978. – 414 p.
8. Vasylev V. Y. Raspoznaiushchye system: spravochnyk / Vasylev V. Y. – 2-e izd., pererab. y dop. – K. : Naukova dumka, 1983. – 422 p.
9. Babichev S. Implementation of the objective clustering inductive technology based on DBSCAN clustering algorithm / S. Babichev, V. Lytvynenko, V. Osypenko // 2017 IEEE 12th Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT): Proceedings, Sept. 05-08, 2017. – Lviv, 2017. – Р. 479–484. DOI: 10.1109/STC-CSIT.2017.8098832.
10. Oreshkov V. EM – masshtabiruemyi algoritm klasterizatsii. URL: https://loginom.ru/blog/em.