Надіслати статтю
вул. Інститутська 11, м. Хмельницький, 29016
visnyk.khnu@khmnu.edu.ua
(0382) 67-51-08

 

МЕТА-МОДЕЛЬ ПРОЕКТУВАННЯ ПРОТОТИПУ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ КЛАСИФІКАЦІЇ ОБ’ЄКТІВ ЗА ФОРМОЮ ЗОБРАЖЕННЯ ІЗ ЗАСТОСУВАННЯМ МГУА НЕЙРОННИХ МЕРЕЖ В НОТАЦІЇ УНІФІКОВАНОЇ МОВИ МОДЕЛЮВАННЯ

META-MODEL OF DESIGN OF INFORMATION TECHNOLOGY PROTOTYPE OF CLASSIFICATION OF OBJECTS BY IMAGE SHAPE USING GMDH NEURAL NETWORKS IN THE NOTATION OF A UNIFIED MODELING LANGUAGE

Сторінки: 78-81. Номер: №4, 2022 (311)  
Автори:
ДАВИДЕНКО Н. В.
Луцький національний технічний університет
https://orcid.org/0000-0002-9722-745X
e-mail: n.v.davydenko@lntu.edu.ua
Nina DAVYDENKO
Lutsk National Technical University
DOI: https://www.doi.org/10.31891/2307-5732-2022-311-4-78-81

Анотація мовою оригіналу

В роботі запропоновано принципи об’єктно-орієнтованої формалізації процесу проєктування інформаційної технології класифікації об’єктів, яка базується на виборі кращої структури моделі класифікатора з набору моделей-кандидатів, здатних до самоорганізації. Вирішальне правило класифікації будується в блоці синтезу моделей інформаційної технології класифікації. Як алгоритм синтезу моделей застосовано МГУА нейронні мережі. Вибір кращої структури моделі виконується за набором критеріїв. Побудову мета-моделі процесу проєктування виконано із застосуванням уніфікованої мови моделювання. Функціональна мета-модель представлена діаграмою варіантів використання.
Ключові слова: інформаційна технологія, класифікація, мета-модель, UML-діаграми.

Розширена анотація англійською  мовою

The article is devoted to the development of intelligent monitoring systems of technological processes based on the use of machine vision systems. The principles of object-oriented formalization of the process of designing information technology of the classification of objects by the geometric shape of the image obtained from the machine vision system are proposed in the article. The proposed information technology is based on the use of machine learning technologies and provides for the selection of the best structure of the classifier model from a set of candidate models. Construction of candidate models is based on the use of the group method of data handling, based on the principles of self-organization of models. The outline of the image of the object obtained from the intelligent monitoring system is the input information. The set of input data contains a set of morphometric parameters that describe the geometric shape of the figure formed by the contour of the image of the object, as well as the label of the class to which the object belongs. The formation of the set of input data is implemented in the block «Image Processing». The decisive rule of classification is built in the block of synthesis of models of information technology of classification. GMDH neural networks were used as an algorithm for model synthesis. The choice of the best structure of the model is performed by a set of criteria. The information technology for constructing the classifier model is implemented by supplementing the block of algorithms for synthesis of MSUA models with the block «Class of models», which implements the process of selecting the class of functions for building models, and the block «Verification of models», which implements the best model structure. Construction of the meta-model of the design process was performed using a unified modeling language. The functional meta-model is represented by a use case diagram.
Keywords:  information technology, classification, meta-model, UML-diagrams.

Література

  1. Круліковський Б. Теоретичні основи розпізнавання багатомірних образів у хеммінговому просторі / Б. Круліковський, A. Сидор, O. Заставний, Є. Николайчук // Науковий вісник НЛТУ України. – 2016. – № 26(3). – С. 361–367.
  2. Волошин М. В. Розробка комбінованої моделі розпізнавання зображень / М. В. Волошин// Technology audit and production reserves. – – Том 3. № 2(47). – С. 9–14.
  3. Басюк Т. Аналіз та класифікація основних методів розпізнавання образів на площині проекції / Т.Басюк, Я. Пушко // Вісник Національного університету “Львівська політехніка”. Серія: Комп’ютерні науки та інформаційні технології. – 2015. – № 826. – С. 291–298.
  4. Подскребко О. С. Технології машинного навчання в промисловості з використанням методів розпізнавання образів / О. С. Подскребко, Д. М. Квашук, А. К. Берідзе-Стаховський // Економіка та держава. – 2019. – № 6. – С. 46–49.
  5. Голуб С. В. Побудова моделей-класифікаторів за результатами багатовимірної поляризаційної мікроскопії в технології судово-медичного інтелектуального моніторингу хвороб серця / С. В. Голуб, Ю. О. Ушенко, О. Я. Ванчуляк, М. В. Талах // Математичні машини і системи. – 2018. – № 3. – С. 48–59.
  6. Гальченко В. Я. Методи створення метамоделей: стан питання / В. Я. Гальченко, Р. В. Трембовецька, В. В. Тичков, А. В. Сторчак // Вісник Вінницького політехнічного інституту. – 2020. – № 4. – С. 74–88.
  7. Anastasakis L. The development of self-organization techniques in modelling: A review of the Group Method of Data Handling (GMDH) / L. Anastasakis, N. Mort // The University of Sheffield, United Kingdom. – 2001. – Research Report no. 813. URL: https://gmdhsoftware.com/GMDH_%20Anastasakis_and_Mort_2001.pdf
  8. GMDH Shell for Data Science uses the power of the GMDH (Group Method of Data Handling). URL: http://www.gmdh.net/ (17.03.2022)
  9. Ghanadzadeh H. Mathematical model of liquid–liquid equilibrium for a ternary system using the GMDH-type neural network and genetic algorithm / H. Ghanadzadeh, M. Ganji, S. Fallahi // Applied Mathematical Modelling. – 2012. – Vol. 36. № 9. – P. 4096–4105.
  10. Піднебесна Г.А. Онтологічний підхід до побудови метамоделі предметної галузі індуктивного моделювання / Г.А. Піднебесна // УСиМ. – 2018. – № 3. – С. 18–32.
  11. Betari O. Applying a Model Driven Architecture Approach: Transforming CIM to PIM Using UML / O. Betari, S. Filali, A. Azzaoui, M. A. Boubnad // International Journal of Online and Biomedical Engineering (iJOE). – 2018.– 14(09). – P. 170–181.

References

  1. Krulikovskyi B. Theoretical bases of recognition of multidimensional images in Hamming space / B. Krulikovskyi, A. Sydor, O. Zastavnyi, Ye. Nykolaichuk // Scientific Bulletin of UNFU. – 2016. – № 26(3). – S. 361-367.
  2. Voloshyn М. V. Development of a combined model of image recognition / М. V. Voloshyn //Technology audit and production reserves. – 2019. – Vol. 3. № 2(47). – S. 9-14.
  3. Basiuk Т. Analysis and classification of basic methods of pattern recognition in the projection plane / Т. Basiuk, Ya. Pushko // The Bulletin of Lviv Polytechnic National University titled “Computer sciences and information technologies”. – 2015. – № 826. – S. 291-298.
  4. Podskrebko О. S. Machine learning technologies in industry using image recognition methods / О. S. Podskrebko, D. М. Kvashuk, А. К. Beridze-Stakhovskyi // Ekonomika ta derzhava. – 2019. – № 6. – S. 46-49.
  5. Holub S. V. Construction of models-classifiers based on the results of multidimensional polarization microscopy in the technology of forensic intelligent monitoring of heart disease / S. V. Holub, Yu. О. Yshenko, О. Ya. Vanchuliak, М. V. Talakh // Mathematical Machines and Systems. – 2018. – № 3. – S. 48-59.
  6. Halchenko V. Ya. Methods of creating metamodels: the state of the question / V. Ya. Halchenko, R. V. Trembovetska, V. V. Tychkov, А. V. Storchak // Visnyk of Vinnytsia Polytechnical Institute. – 2020. – № 4. – S. 74-88.
  7. Anastasakis L. The development of self-organization techniques in modelling: A review of the Group Method of Data Handling (GMDH) / L. Anastasakis, N. Mort // The University of Sheffield, United Kingdom. – 2001. – Research Report no. 813. URL: https://gmdhsoftware.com/GMDH_%20Anastasakis_and_Mort_2001.pdf
  8. GMDH Shell for Data Science uses the power of the GMDH (Group Method of Data Handling). URL: http://www.gmdh.net/ (Accessed on: 17.03.2022)
  9. Ghanadzadeh H. Mathematical model of liquid–liquid equilibrium for a ternary system using the GMDH-type neural network and genetic algorithm / H. Ghanadzadeh, M. Ganji, S. Fallahi // Applied Mathematical Modelling. – 2012. – Vol. 36. № 9. – P. 4096-4105.
  10. Pidnebesna H. А. Ontological approach to the construction of metamodels of the subject area of inductive modeling / H. А. Pidnebesna // Control Systems and Computers. – 2018. – № 3. – S. 18-32.
  11. Betari O. Applying a Model Driven Architecture Approach: Transforming CIM to PIM Using UML / O. Betari, S. Filali, A. Azzaoui, M. A. Boubnad // International Journal of Online and Biomedical Engineering (iJOE). – 2018.- 14(09). – P. 170-181.

Post Author: Горященко Сергій

Translate