ВИЗНАЧЕННЯ КІЛЬКОСТІ КЛАСТЕРІВ З ДОПОМОГОЮ ОПТИМІЗАЦІЇ З ВЕЙВЛЕТ-ПЕРЕТВОРЕННЯМ - Научное сообщество
Главная
UA RU EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

ВИЗНАЧЕННЯ КІЛЬКОСТІ КЛАСТЕРІВ З ДОПОМОГОЮ ОПТИМІЗАЦІЇ З ВЕЙВЛЕТ-ПЕРЕТВОРЕННЯМ

15.09.2023 19:35

[1. Информационные системы и технологии]

Автор: Щербакова Галина Юріївна, доктор технічних наук, професор, Національний університет «Одеська політехніка», Одеса; Сахно Кирило Олександрович, аспірант, Національний університет «Одеська політехніка», Одеса; Петрова Світлана Володимирівна, студентка, Національний університет «Одеська політехніка», Одеса


ORCID: 0000-0003-0475-3854 Galina Shcherbakova

Процедуру кластеризації використовують  в багатьох задачах обробки даних вимірів, при обробці зображень (в технічній, медичній діагностиці), при підготовці даних для певних нейронних мереж (НМ) [1]. Наприклад, до таких мереж можна віднести ймовірнісні НМ, які реалізують класифікатор Байеса [1]. Важливою особливістю цих НМ є те, що навчання їх відбувається швидко. Однак кількість нейронів цих НМ  визначається кількістю векторів вихідних даних. У випадку  великих наборів даних при навчанні така НМ буде мати більш складну структуру та їй потрібно буде більше часу для прийняття діагностичного рішення. Спростити структуру такої НМ дозволяє процедура кластеризації [1, 2]. В роботі з цією метою пропонується метод кластеризації, який заснований на оптимізації з використанням вейвлет-перетворення [2, 3].

Процедура кластеризації використовує гіпотезу компактності, коли дані одного кластеру зближені, а різних кластерів – рознесені в просторі ознак [1]. Завадостійкість і точність процедури обумовлені властивостями показників оптимальності кількості кластерів [4, 5].  Ці властивості визначаються способами оцінки компактності даних кластерів та відстані між ними. Проведений аналіз існуючих підходів до оцінки кількості кластерів дозволив обрати для кластеризації у випадку кластерів складної форми відому гіпотезу  - компактності, яка дозволяє проводити границю між кластерами на основі оцінки змінення локальної щільності розташування даних в просторі ознак [4, 5].

Основні етапи методу визначення кількості кластерів (груп) у даних для класифікації з допомогою ймовірнісної НМ наведені в роботі [4]. Цей метод був перевірений  на прикладі оцінки якості паяних з’єднань при монтажі інтегральних схем (ІС) на поверхню. Досліджувались значення відгуку паяних з’єднань на дію імпульсного лазерного випромінювання [4]. Для визначення неякісних паяних з’єднань з допомогою ймовірнісної НМ побудована поверхня, яка розділює в просторі ознак інтегральні схеми з якісними і дефектними паяними з’єднаннями. В якості ознак при розпізнаванні в роботі [4] обрані два: відносне відхилення   відгуку на дію лазерного випромінювання еталонної ІС (з якісними паяними з’єднаннями) та досліджуваної ІС -f(t) у часовій області Er=(∫(f(t)-r(t))2 dt)/∫(r(t))2 dt)  та перша власна частота вібрації ІС з  паяними з’єднаннями. При класифікації по звичайній методиці [1] кожен вектор у просторі ознак відповідає одному нейрону прихованого шару ймовірнісної НМ. Після групування вихідних даних запропонованим методом визначення кількості кластерів з допомогою кластеризації на базі вейвлет-перетворення кількість таких нейронів ймовірнісної НМ скоротилось майже в 3 рази, час класифікації – скоротився більше, ніж в 2,5 рази.

Література 

1.Advanced Methods and Deep Learning in Computer Vision / E.R. Davies and Matthew Turk edition. - Elsevier Inc., 2022. – 562 р.– Режим доступу: https://doi.org/10.1016/C2019-0-03221-9.

2.Shcherbakova G., Adaptive Clustering in Hyperbolic Wavelet Domain / G. Shcherbakova, V. Krylov // Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications: 5th IEEE Int. Workshop IDAACS’2009. Rende (Cozenca), Italy, 21-23 sept. 2009.: proceeding. – 2009. – P.400-403.

3.Крилов В.Н., Субградієнтний ітеративний метод оптимізації в просторі вейвлет – перетворення / В.Н. Крилов, Г.Ю. Щербакова // Збірник наук. праць Військ. ін-ту Київського нац. ун-ту ім. Т. Шевченка. - №12. - 2008. - С. 56-60.

4.Shcherbacova, G., The probabilistic neural net neuron’s number calculations / Shcherbacova G., Krylov, V., & Logvinov, O. // International Journal of Computing. - №11(2). – 2014.– P. 137-144. – Режим доступу: https://doi.org/10.47839/ijc.11.2.559.

5.Davies D.L., A cluster separation measure / D.L. Davies, D. W. Bouldin. /  IEEE Trans. Pattern Anal. Machine Intell. - №1 (4) - 1979. -  P. 224 - 227. PMID: 21868852.

Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення