Научная статья на тему 'Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining'

Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
739
171
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
АДАПТИВНАЯ СЕГМЕНТАЦИЯ / РАСПРЕДЕЛЕННАЯ НЕЙРОННАЯ СЕТЬ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ / МЕТОД ОБОБЩЕННОГО ОТНОШЕНИЯ ПРАВДОПОДОБИЯ / ВРЕМЕННОЙ РЯД / ADAPTIVE SEGMENTATION / EXTENDED GENERALIZED LIKELIHOOD RATIO / DISTRIBUTED TIME LAGGED FEEDFORWARD NETWORK / TIME SERIES

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Вульфин Алексей Михайлович, Фрид Аркадий Исаакович

Решается задача выявления и распознавания технологических событий и состояний узла инженерной сети на основе анализа временных рядов, характеризующих протекающие на объекте процессы. Поэтапно решаются задачи предобработки исходных данных, сегментации временных рядов, кластеризации и классификации имеющихся данных и построения нейросетевой модели для анализа состояния объекта в рамках методологии Data Mining.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Вульфин Алексей Михайлович, Фрид Аркадий Исаакович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Neuralbase Model Analysis of Technological Time Series within the Scope of Data Mining Strategy

The article considers the problem of detection and recognition of technological events and engineering network node states on the basis of technological time series analysis. Development of the heterogeneous neural network module of the object condition diagnosing within the scope of Data Mining strategy for technological time series segmentation, clustering and classification of the available data are described.

Текст научной работы на тему «Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining»

X моделирование систем и процессов

УДК 004.896

нейросетевая модель анализа технологических временных рядов в рамках методологии data mining

А. М. Вульфин,

аспирант А. И. Фрид,

доктор техн. наук, профессор

Уфимский государственный авиационный технический университет

Решается задача выявления и распознавания технологических событий и состояний узла инженерной сети на основе анализа временных рядов, характеризующих протекающие на объекте процессы. Поэтапно решаются задачи предобработки исходных данных, сегментации временных рядов, кластеризации и классификации имеющихся данных и построения нейросетевой модели для анализа состояния объекта в рамках методологии Data Mining.

Ключевые слова — адаптивная сегментация, распределенная нейронная сеть с временной задержкой, метод обобщенного отношения правдоподобия, временной ряд.

Введение

В данной работе технологический сигнал рассматривается как последовательность следующих друг за другом участков, обладающих на некотором временном интервале постоянными свойствами (структурная модель сигнала) [1]. Технологический временной ряд представляет собой совокупность значений какого-либо параметра исследуемого технологического процесса, последовательно измеренных через некоторые (равные) промежутки времени. Следовательно, задача обработки сигнала заключается в выделении отдельных сегментов временных рядов с последующей их кластеризацией и сопоставлении полученных кластеров с имеющимися классами событий.

Подобное построение модели сигнала является обобщением задачи выделения особенностей [1]. Выделение в технологических сигналах особенностей, повторяющихся процессов, скрытых аномалий и закономерностей в автоматическом режиме может быть выполнено с помощью технологий интеллектуального анализа данных (Data Mining) [2]. Применение таких технологий лежит в основе диагностики состояния узла инженерной сети.

Целью работы является повышение эффективности интеллектуальной автоматизированной си-

стемы распознавания ситуаций, возникающих на объектах инженерной сети, в рамках методологии Data Mining и на основе нейронных сетей. Для ее достижения поставлены три задачи, решение которых представлено в данной статье.

Анализ технологических процессов в узлах инженерной сети с помощью методов интеллектуального анализа данных

Основной проблемой, возникающей при анализе динамических систем и недетерминированных сигналов различной природы, является определение их временных и частотных характеристик, поскольку любой недетерминированный сигнал и динамическая система, как правило, являются нестационарными объектами. Большинство технологических сигналов, описывающих динамические системы, являются нестационарными [3-7].

Исследование сигналов методами Data Mining является процессом, состоящим из нескольких этапов [2, 3].

Этап I. Сбор и хранение исходных данных. Этот этап включает два синхронных процесса:

1) регистрацию сигналов и подготовку их цифровых записей;

2) регистрацию событий и их описание.

Этап II. Применение методов Data Mining.

Данный этап является ключевым и состоит из нескольких процессов.

1. Использование методов выделения особенностей сигналов на основании применения методов сегментации.

2. Унификация выделенных сегментов.

3. Классификация событий и кластеризация сегментов. После получения подготовленного материала необходимо его систематизировать с выделением классов, которые соответствуют основным группам:

— сервисные события, связанные с регламентированным воздействием на систему регистрации (пропуски данных);

— внешние воздействия на дочерних узлах инженерной сети;

— внутренние события на узле инженерной сети.

Поскольку для сегментов не существует априори заданных классов, то к ним требуется применить методику кластеризации.

4. Сопоставление событий кластерам сегментов. Сопоставление производят в хронологическом порядке, основываясь на гипотезе, что в один момент времени происходит одно событие [5, 6].

5. Построение модели, способной в реальном времени обрабатывать данные технологического временного ряда и классифицировать события и состояния узла инженерной сети.

6. Тестирование и оценка работоспособности модели выявления и распознавания технологических ситуаций.

Описанная концепция Data Mining показывает, что определенную сложность представляет этап сегментации исходного сигнала. Согласно работе [1], задача сегментации сводится к построению детектора, который по данной реализации сигнала f(t) устанавливает истинность одной из вероятностных гипотез.

Практически всегда можно выделить некоторый временной интервал At, на котором параметры объекта изменяются несущественно, т. е. в пределах некоторого значения с пороговым отклонением е. Такой интервал называют интервалом квазистационарности, а параметры объекта на этом интервале считаются постоянными. Таким образом, задача сегментации может быть сформулирована как задача поиска границ сегментов или задача поиска моментов изменения свойств сигнала [1].

Рассмотрим временной ряд {xt}. Требуется построить детектор, выбирающий одну из двух гипотез Н0 и H1. Гипотеза Н0 предполагает, что исследуемый сигнал {xt} соответствует модели М1. Гипотеза H1 предполагает, что существует момент времени т, в который исследуемый сигнал

{xt} соответствует модели M1 при t < т и модели М2 при t > т, где т — граница сегмента:

[xt | t < т], H0: f(x) ^ M1;

[xt | t > т], H1: f(x) ^ M2.

Из сформулированной задачи следует, что основой разрабатываемых алгоритмов сегментации является гипотеза о виде модели M, описывающей исследуемый сигнал. Выбор модели определяется прикладной задачей, в данной работе рассматриваются линейные авторегрессионные модели (АР-модели) и нелинейные нейросетевые модели.

По характеру смены одного квазистационар-ного участка другим временные ряды, характеризующие рассматриваемые технологические процессы, можно разделить на две группы:

— временные ряды с переключающейся динамикой;

— временные ряды с дрейфовой динамикой.

Для анализа таких процессов приходится разрабатывать специальные методы [3-7].

Разработка нейросетевой структуры адаптивной сегментации и обработки временных рядов

В работах [3-5] описано моделирование различных типов нестационарного поведения сигналов и систем, а также их недостатки, для преодоления которых предложено использовать [3]:

— распределенную нейронную сеть (НС) прямого распространения с задержкой по времени (distributed Time lagged Feedforward Network — dTLFN) для построения модели квазистационар-ного сегмента;

— метод обобщенного отношения правдоподобия (ООП) для адаптивной пороговой сегментации;

— модифицированный алгоритм формирования групп классов (АФГК) для кластеризации и классификации сегментов [7].

Это позволяет объединить несколько этапов анализа в рамках методологии Data Mining.

Построить модель технологических сигналов, руководствуясь технологией Data Mining, можно различными методами — как с применением предобработки исходных данных, так и с помощью разнообразных алгоритмов кластеризации на дальнейших этапах моделирования. Различные подходы к построению нейросетевой модели [3-5] представлены на рис. 1, где приняты следующие обозначения:

РНК (RLS) — адаптивный фильтр, построенный по рекурсивному методу наименьших квадратов (Recursive Least Squares); МСО (SEM) — мера спектральной ошибки (Spectral Error Mea-

0

Предобработка исходных данных

Устранение основного тренда и переход к несмещенному представлению ряда

Нормализация

Кратномасштабный вейвлет-анализ и применение процедур SureShrink/ VisuShrink

(ST

АР-модели

Алгоритм

SEM

Алгоритм

GLR

Адаптивная сегментация Адаптивные фильтры

Мониторинг

RLS-

фильтра

Мониторинг

RLSL-

фильтра

Иерархические НС

ИНК

TLFN + АФГК

Оценка регулярности сигнала

Мониторинг показателя Гёльдера путем пороговой оценки коэффициентов НВП

(5)

Унификация сегментов

Коэффи-

циенты

АР-модели

Коэффи-

циенты

ДВП

Кластеризация унифицированных сегментов

SOM Кохонена

Fuzzy c-means

Таксономия в Х-пространстве

<£>

Классификация

технологических

событий

©

♦ * *

Нейросетевой классификатор)

МП

Комитет МП BOOST1

■ Рис. 1. Методы построения нейросетевых систем анализа временных рядов

sure); ООП (GLR) — обобщенное отношение правдоподобия (Generalized Likelihood Ratio); РРНК (RLSE) — адаптивный фильтр, использующий алгоритм решетчатого рекурсивного метода наименьших квадратов с задержками (Recursive Least-Squares Lattice); НВП — непрерывное вейвлет-преобразование; ИНК — иерархический нейросетевой классификатор; МП — многослойный персептрон; SOM Кохонена — самоорганизующиеся карты (self-organizing map) Кохонена; Fuzzy с-means — алгоритм нечеткой кластеризации с-средних; BOOST1 — алгоритм обучения комитета НС.

Исходный временной ряд приводится к нулевому среднему и единичному среднеквадратическому отклонению. В ходе подбора оптимальной схемы подготовки некоторых видов технологических данных для очистки сигнала от высокочастотных шумов были использованы процедуры предобработки данных с помощью пороговой фильтрации SureShrink/VisuShrink [4] коэффициентов дискретного вейвлет-преобразования (ДВП) в целях выявления значимых компонент. Данная процедура была использована совместно с некоторыми методами адаптивной сегментации за исключением иерархических нейросетевых структур и методов оценки регулярности сигнала.

В работе [4] описаны базовые алгоритмы адаптивной сегментации с помощью АР-моделей,

а в [5] — адаптированная реализация методов для решения некоторого набора задач. Использованы методы оценки МСО и метод ООП. Показано, что методы, использующие АР-модели, реагируют на «длительные» изменения и менее чувствительны к «быстрым» изменениям временного ряда, описывающего технологический процесс. Авторы [5] предлагают применять гетерогенную нейросетевую структуру, использующую dTLFN для построения модели квазистационар-ного сегмента, и метод ООП для адаптивной пороговой сегментации. Это позволяет расширить возможности систем адаптивной сегментации и повысить их чувствительность к «быстрым» изменениям технологического сигнала. Алгоритм адаптивной сегментации нестационарных временных рядов с помощью dTLFN и расширенного метода ООП является развитием методов, предложенных в работе [7].

Следующим этапом обработки временного ряда является этап унификации разнородных по длине сегментов и последующая их кластеризация. В качестве векторов признаков, характеризующих выделенные сегменты, могут быть использованы [3]:

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

— коэффициенты АР-модели, соответствующей каждому сегменту;

— & наиболее значимых коэффициентов ДВП данного сегмента.

В работе авторов [3] используются три метода кластеризации совокупности унифицированных сегментов для сравнения эффективности по критериям производительности и характеристикам полученных кластеров.

По имеющейся легенде, описывающей совокупность технологических событий, происходящих на узле инженерной сети, формируют классы, сопоставляемые с теми или иными кластерами сегментов, основываясь на временной последовательности событий.

Заключительным этапом является создание и обучение комитета НС, способного обрабатывать данные технологического временного ряда и классифицировать события и состояния узла. В работе [3] описан комитет НС, каждая из которых представляет собой МП, обучаемый согласно алгоритму BOOST1, а также проведено сравнение с одиночным МП.

В работах [3-5] представлено несколько моделей анализа технологических временных рядов,

■ Таблица 1. Этапы и соответствующие алгоритмы анализа временного ряда

Номер метода Используемый алгоритм

Предвари- тельная сегментация Унифика- ция Кластери- зация Классифи- кация

1 АР-ООП ДВП Fuzzy c-means Комитет МП BOOST1

2 ИНК

З dTLFN- ООП АФГК

комбинирующих алгоритмы различных этапов Data Mining. Этапы анализа временного ряда и соответствующие им алгоритмы приведены в табл. 1.

Для обучения dTLFN применены алгоритмы BPTT (Backpropagation Through Time, обратное распространение ошибки во времени) и DEKF

а)

Исходный временной ряд

Нормализация,

Двп

1 — АР-ООП

2 — вейвлет-фильтрация +

АР-моделирование

3 — кластеризация c-means

4 — построение нейросетевого

комитета

б)

Нормализация, ДВП

1 — сегментация TLFN-DEKF-BPTT

2 — построение ИНК

■ Рис. 2. Обобщенная схема работы системы выявления и идентификации событий с использованием АР-моделей (а) и dTLFN (б)

(Decoupled Extended Kalman Filter, несвязанный расширенный фильтр Калмана).

Представлена обобщенная схема (рис. 2, а) работы системы выявления и идентификации событий для первого метода (см. табл. 1).

Поскольку второй и третий методы анализа временных рядов, приведенные в табл. 1, включают помимо сегментации временного ряда этапы кластеризации-классификации согласно методологии Data Mining (рис. 2, б), то они не требуют использования дополнительных шагов и процедур, в отличие от АР-ООП, что позволяет сократить количество подстраиваемых параметров и упростить последующий анализ.

Анализ работоспособности нейросетевых систем обработки технологических временных рядов

Для оценки работоспособности гетерогенных нейросетевых систем обнаружения событий и описания текущего состояния технологического процесса рассмотрен ряд модельных задач.

В первой задаче моделирование нестационарного сигнала выполнено с помощью двухполюс-

■ Таблица 2. Параметры методов адаптивной сегментации с помощью АР-моделей

Параметры модели Эксперимент 1

АР-модель Порядок 8

Параметры алгоритма ООП Длина опорного окна .0

Длина тестового окна 10

Результаты сегмента- ции Количество выделенных/исходных сегментов 4/4

Средневзвешенная оценка попадания З,87

Процент успешной классификации подвижным тестовым окном 94-98

ной АР-системы [3]. Параметры алгоритмов сегментации приведены в табл. 2, 3 (эксперимент 1) и 4 (эксперимент 1).

В результате работы алгоритма построения ИНК [7] сформирована иерархическая структура следующего вида (рис. 3). На каждом уровне показаны объединенные в классы сегменты и их изначальная принадлежность, процент распознавания на обучающей и тестовой выборках.

■ Таблица 3. Параметры методов адаптивной сегментации с помощью ИНК

Параметры модели Номер эксперимента

1 З 4 5

Архитектура МП узла, параметры АФГК Количество нейронов по слоям 5^-64 5^-40 5^0-48 5-.0-1.8 5-20-256

Изначальное количество сегментов 64 40 48 1.8 .56

Шаг анализа 5 5 .00 .00 .00

Скорость обучения 0,1 0,01 0,01 0,01 0,01

Момент 0,5 0,5 0,5 0,5 0,5

Результаты сегментации Количество выделенных/ исходных сегментов 4/4 .0^0 .0^0 41^4 5-20-256

Средневзвешенная оценка попадания З,96 17,04 - - -

Процент успешной классификации подвижным тестовым окном 99-100 96,1 98,0 7.,1- 75,0 -

■ Таблица 4. Параметры методов адаптивной сегментации с помощью dTLFN(DEKF-BPTT)-ООП-AФГК

Параметры модели Номер эксперимента

1 З 4 5

Архитектура dTLFN Количество нейронов по слоям 5-10-1 5^0-1 5^5-1 5^5-1 5^5-1

Архитектура МП узла, параметры АФГК Количество нейронов по слоям 5^-4 5^-4 5^0-4 5-20-52 5-20-52

Шаг анализа 2 2 50 50 50

Скорость обучения 0,01 0,01 0,01 0,01 0,01

Момент 0,5 0,5 0,5 0,5 0,5

Результаты сегментации Количество выделенных/ исходных сегментов 4/4 .0^0 .0^0 З5/.4 5^5-1

Средневзвешенная оценка попадания З,97 17,10 - - -

Процент успешной классификации подвижным тестовым окном 99-100 96^ 98,0 74,4- 81,0 -

■ Рис. 3. ИНК для сегментации псевдохаотического сигнала АР-системы

В табл. 2-4 приводятся следующие данные:

— количество выделенных сегментов и количество исходных квазистационарных участков (доступно на модельных задачах);

— средневзвешенная оценка попадания — рассчитывается среднее значение отношения полученных и истинных длин сегментов;

— процент успешной классификации подвижным тестовым окном — на вход системы сегмен-тации-кластеризации-классификации подается k последовательных отсчетов временного ряда. Принадлежность последовательности к определенному классу определяется по (k + 1)-й точке. Приводится процент успешного распознавания типа текущей динамики участка временного ряда.

Как видно из табл. 2-4 (эксперимент 1), данный нестационарный ряд успешно сегментирован и выделенные сегменты распределены по классам в соответствии с типом динамики.

Следующий рассмотренный нестационарный сигнал имел переключающуюся динамику. Псев-дохаотический временной ряд определяется последовательностью [7]

x(t + 1) = ft (x(t)), i = 1,2,3,4; fi(x) = 4x(1- x), x e[0,1]; logistic map; f2 (x) = 2x, x e(0; 0,5]; 2(1-x), x б[0,5; 1); tent map; f3 (x) = f (f (x)); double logistic map;

/4 (x) = /2 (/2 (x)); double tent map.

Эти последовательности, чередуясь, генерировали по SL = 100 точек, процесс повторился 5 раз. Общая длина L псевдохаотического временного ряда составила 2000 точек. Далее ряд приводится к нулевому среднему и единичному среднеквадратичному отклонению.

Архитектура, параметры алгоритмов и результаты сегментации псевдохаотического временного ряда приведены в табл. 3 (эксперимент 2) и 4 (эксперимент 2).

Для сегментации этого временного ряда неприменим метод АР-ООП, так как ряд содержит квазистационарные сегменты, порожденные не-

линейными моделями. Результаты сегментации колебались в пределах 40-50 % успешно распознанных сегментов.

Далее был рассмотрен аналогичный сигнал с участками дрейфа между соседними сегментами. Описанные ранее псевдохаотические последовательности, чередуясь, генерировали по SL = = 100 точек с переходными участками шириной DL = 50 точек, процесс повторился 5 раз [7], L = = 2400 точек. Результаты адаптивной сегментации и параметры алгоритмов указаны в табл. 3 (эксперимент 3) и 4 (эксперимент 3).

Рассмотрим нестационарный временной ряд, порождаемый тремя источниками вида Макеу-Glass. Исходные данные описываются следующим дифференциальным уравнением [5]:

&У к , ч 0,2уН — ^)

-£ =—0,1у$) + ^^.

^ 1 + У^ — ^ )10

Каждый из трех последовательно работающих источников использовал соответствующее значение параметра td = 17, 23, 30. Итоговая последовательность содержит квазистационарные сегменты длиной SL = 300 точек с переходными участками длиной DL = 100 точек, L = 4800 точек.

Данный временной ряд содержит участки с дрейфовой динамикой. Из табл. 3 (эксперимент 4) и 4 (эксперимент 4) видно, что применение dTLFN, по сравнению с исходным ИНК, оправдано. Удалось избежать излишней сегментации, тем самым повысив успешность классификации. Отметим полученный разброс результатов серии экспериментов, что связано с псевдохаотической природой порождающего соотношения.

Для анализа работоспособности систем идентификации технологических событий на узле инженерной сети были использованы данные об изменении параметров узла учета нефти СИКН (система измерения и контроля качества нефти) [3-5] инженерной сети за 9 дней. На узле СИКН каждые 5 с замеряется давление на выходе узла и расход нефти по 5 измерительным линиям. Для дальнейшего анализа использован временной ряд, описывающий давление на выходе узла. Общая длина ряда составляет 155 520 отсчетов.

Построение нейросетевой модели узла приема-сдачи нефти с помощью АР-моделей (см. табл. 1) и выявление технологических ситуаций описано в работе [3].

Архитектура нейросетевых систем, использованных для анализа технологического временного ряда, приведена в табл. 3 (эксперимент 5) и 4 (эксперимент 5).

Общие результаты работы систем с различной структурой приведены в табл. 5. Использованы как гетерогенные нейросетевые модели на основе

■ Таблица 5. Результаты сегментации технологического временного ряда

Метод / Этап Количество выделен ных сегментов/ классов Процент успешной классификации

подвижным окном известных событий подвижным окном смеси известных и неизвестных событий

АР-ООП Сегментация 548/19 78,7 61,9

wavelet- разложение/ АР-моделирование Унификация сегментов

Fuzzy c-means Кластеризация

Комитет МП BOOST1 Классификация

ИНК Сегментация 471/20 82 69

Унификация сегментов

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Кластеризация

Классификация

dTLFN(DEKF- BPTT) Сегментация 230/29 87 73

АФГК Унификация сегментов

Кластеризация

Классификация

АР-моделирования на этапе сегментации, так и более однородные сети ИНК и АФГК.

Нейросетевая модель на основе dTLFN (см. табл. 1, метод 3) функционирует в рамках методологии Data Mining, что позволяет осуществлять наиболее эффективный анализ технологических временных рядов. Модель объединяет сразу несколько этапов обработки данных в рамках единой нейросетевой парадигмы и использует адаптированные базовые алгоритмы обучения НС.

Анализ временных рядов с помощью однородных нейросетевых структур предпочтительнее, чем поэтапное построение многоуровневой системы обработки, что видно из сравнения результатов в табл. 5. К первой группе относятся методы, включающие различные алгоритмы поэтапной реализации схемы анализа данных, согласно концепции Data Mining. В ходе модельных и натурных экспериментов выбраны наиболее эффективные методы: АР-ООП для предварительной сегментации; коэффициенты АР-модели, описывающей каждый сегмент, для унификации; Fuzzy c-means для кластеризации унифицированных сегментов и комитет МП для сопоставления кластеров сегментов и классов событий. Недостатками метода являются сложность и нефор-мализуемость подбора параметров каждого из ал-

горитмов, излишняя сегментация исходного сигнала, что ведет к частому переключению сигнализирующей о типе текущей динамики системы. Как ИНК, так и dTLFN позволяют сократить количество настраиваемых параметров и автоматизировать процесс построения конечной нейро-сетевой системы. Использование гибридной АФГК и сети dTLFN дает возможность избежать излишней сегментации и переключения сигнализирующей системы, а также расширить количество выделяемых классов событий путем обнаружения переходных состояний.

Заключение

В работе предложены некоторые подходы к анализу технологических временных рядов с помощью нейросетевых структур и в рамках методологии Data Mining.

На основе модельных испытаний и натурных данных разработана интеллектуальная модель распознавания технологических ситуаций, возникающих на объектах инженерной сети. Модель основана на нейросетевой обработке временных рядов и включает в себя нелинейный фильтр на базе распределенной сети dTLFN в совокупности с расширенным методом оценки ООП и моди-

фицированный ИНК. Применение разработанной модели позволило повысить достоверность описания технологических ситуаций.

Разработана структура адаптивной сегментации технологических временных рядов с помощью гомогенных и гетерогенных нейросетевых структур различной архитектуры, что расширяет возможность выбора наиболее подходящей по совокупности факторов сложности и производительности модели для анализа временных рядов различной природы.

Протестирована работоспособность предлагаемой модели на имеющихся исторических данных реальной задачи распознавания ситуаций на узле приема-сдачи нефти и на ряде модельных задач.

Литература

1. тристанов А. Б., Геппенер В. В., Фирстов П. П.

Применение методов сегментации к обработке геофизических данных. — СПб.: ЛЭТИ, 2007. http:// www.emsd.iks.ru/konf060117lib/pdf/25_geppener_ tristanov.pdf (дата обращения 12.11.2010).

2. Барсегян А. А., Куприянов м. С., Степаненко В. В. Методы и модели анализа данных: OLAP и Data Mining. — СПб.: БХВ-Петербург, 2004. — С. 67-93.

3. Вульфин А. м., Гиниятуллин В. м., Фрид А. И. Нейросетевая модель выявления и распознавания технологических ситуаций в рамках методологии Data Mining // XII Всерос. науч.-техн. конф. «Нейроинформатика — 2010»: сб. науч. тр.: В 2 ч. Ч. 1. М.: МИФИ, 2010. С. 75-84.

4. Vulfin A. M., Giniyatullin V. M., Frid A. I. Neural-base Model for Detection and Recognition of Technological Situations within the Scope of Data Mining

Показана эффективность данного подхода применительно к задачам разработки интеллектуальных автоматизированных систем, так как разработанная система позволяет:

— увеличить количество классов выявляемых событий на 30 % путем введения субклассов, описывающих участки смены типа динамических параметров квазистационарных сегментов;

— получить количественное описание и характеристики технологических событий, как то: временные границы приходящих событий и ква-зистационарных сегментов, тип и параметры динамики таких сегментов;

— увеличить на 11 % количество выявляемых технологических событий.

Strategy // Optical Memory and Neural Networks (Information Optics). 2010. Vol. 19. N 3. P. 207-212.

5. Вульфин А. м., Фрид А. И. Интеллектуальная автоматизированная система поддержки принятия решений для технологического комплекса приема-сдачи нефти // Мехатроника, автоматизация, управление. 2011. № 5. С. 29-34.

6. Зозуля Ю. И. Интеллектуальные нейросистемы. Науч. сер. Нейрокомпьютеры и их применение. Кн. 12. — М.: Радиотехника, 2003. — С. 14-51.

7. Орлов Ю. Разработка и исследование алгоритмов построения иерархических нейросетевых комплексов для классификации данных физических измерений: Автореф. дис. ... канд. физ.-мат. наук // НИИЯФ МГУ. М., 2003. С. 23.

i Надоели баннеры? Вы всегда можете отключить рекламу.