CC BY
22Математические методы моделирования, управления и анализа данных
Библиографические ссылки
1. Черняк В. С. Многопозиционная радиолокация. М. : Радио и связь, 1993. 416 с.
2. Корляков В. Радиолокация на современном этапе // Воздушно-космическая оборона. 2006. № 6. С. 26-33.
3. Радиоэлектронные системы: Основы построения и теория : справ. / под ред Я. Д. Ширман. 2-е изд. перераб. и доп. М. : Радиотехника, 2007. 512 с. : ил.
4. Кремер И. Я., Нахмансон. Г. С. Оптимальная обработка сигналов при когерентном многопозиционном приеме на фоне внутренних и внешних шумов // Радиотехника и электроника. 1979. № 12. С. 2478-2487.
References
1. Chernyk V. S. Multiposition radar system. M. : Radio and link, 1993. 416 p.
2. Korolyakov V. Radar at the present stage// Aerospace defense. 2006. № 6. p. 26-33.
3. Radio electronic systems: Fundamentals of building and theory. Handbook. 2nd Edition, redesinged and addition / edited Y. D. Shirman M. : Radio engineering, 2007. 512 p. : pict.
4. Kremer I. Y., Nahmanson G. S. Optimal signal processing for coherent multilateration against internal and external noise // Radio engineering and electronic. 1979. № 12. p. 2478-2487.
© Богомолов Н. П., Корж И. Н., 2013
УДК 004.89
ЛОГИЧЕСКИЕ АЛГОРИТМЫ КАК ЭЛЕМЕНТ ГИБРИДНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ
Е. А. Жуков1 А. А. Ступина2
1 Сибирский федеральный университет Россия, 660041, г. Красноярск, просп. Свободный, 79. E-mail: [email protected] 2Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected]
Приводится обоснование преимущества использования коллективов интеллектуальных технологий анализа данных для решения задач анализа многомерных данных по сравнению с применением каждой технологии в отдельности.
Предлагается новая модель интеллектуальной гибридной системы с использованием логических алгоритмов классификации.
Ключевые слова: data mining, коллективы решающих правил, логические алгоритмы, искусственный интеллект, классификация, кластеризация.
LOGICAL ALGORITHMS AS A PART OF A HYBRID INTELLIGENT SYSTEM
E. A. Zhukov1, A. A. Stupina2
1 Siberian Federal University 79, Svobodny prosp., Krasnoyarsk, 660041, Russia. E-mail: [email protected]
2 Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: [email protected]
The advantages of hybrid intelligent systems for multidimensional data mining tasks are described. New hybrid intelligent system included logical classification algorithms is suggested.
Keywords: data mining, decision rules, logical algorithms, artificial intelligence, classification, clustering.
Задача изучения закономерностей в данных боль- между собой по какому-либо набору свойств. Также
шого объема на протяжении многих лет является является возможным отнести к одному из сформиро-
одной из ключевых проблем интеллектуального ана- ванных классов и вновь полученные объекты.
лиза данных. Знание закономерностей в структуре Объекты, как правило, описываются точкой много-
данных позволяет решать такие задачи, как, напри- мерного пространства [6], каждая координата которо-
мер, классификация и прогнозирование. В настоящее го характеризует определенный признак объекта.
время существует ряд алгоритмов, позволяющих из Признаки объекта могут быть выражены не только в
большого массива объектов выделять определенное числовой, но и в ранговой, номинальной и бинарной
количество групп, содержащих объекты, сходные шкалах.
Решетневскуе чтения. 2013
Среди классических алгоритмов классификации и кластерного анализа известно немало методов, применяемых для случая анализа данных различной природы [6]. Как правило, в зависимости от цели исследования и структуры данных исследователь применяет какой-либо определенный тип алгоритмов. Однако на сегодняшний день широкое распространение получили методы, имеющие в своей основе технологию построения искусственных нейронных сетей, нечетких правил и эволюционных алгоритмов [2; 4; 8]. Благодаря способности к обучению и самоорганизации такие методы пригодны для решения широкого спектра задач независимо от природы предоставляемой информации. Несмотря на это, свершенного алгоритма, способного решить любую задачу, не существует. Так, и для такого класса алгоритмов существуют задачи, решение которых по тем или иным причинам не удовлетворяет исследователя. Однако можно получить результаты, адекватные цели исследования, применяя так называемые коллективы интеллектуальных систем [4; 7]. Коллектив систем решающих правил настраивается в зависимости от цели и условий исследования и становится пригодным для решения практически любого круга задач, связанных с интеллектуальным анализом данных. Задачей исследователя является выбор интеллектуальных технологий, включаемых в систему, и алгоритма настройки структуры взаимодействия между этими технологиями. В настоящее время широкое распространение получили гибридные системы, включающие в себя нейронные сети, эволюционные алгоритмы и нечеткие правила. В данной работе перечень компонент интеллектуальной системы предлагается пополнить логическими алгоритмами анализа данных [1; 5]. Преимуществом таких алгоритмов является эффективный поиск закономерностей между данными значительного объема и большой размерности, а также интерпретируемость результата.
Целями исследования является изучение эффективности включения алгоритмов данного класса в коллектив интеллектуальных систем при решении задач автоматической классификации и прогнозирования. Также эффективность такой гибридной системы планируется исследовать на задаче выявления «неинформативных объектов», описанной в [3]. Суть задачи состоит в следующем: имеется совокупность объектов, предварительно экспертами разбитая на 20 классов, причем 1 класс из 20 составляют объекты, присутствие которых в выборке в значительной степени снижает качество работы используемых алгоритмов автоматической классификации, применяемых к данным этого типа. Необходимо каким-либо образом снизить влияние таких, своего рода «неинформативных», объектов на качество классификации.
В работе [3] предлагается двухэтапный метод классификации многомерных бинарных данных с предварительным «отсеиванием» данных, ухудшающих работу алгоритма классификации. Предполагается, что использование нейронечетких сетевых структур совместно с логическими алгоритмами позволит выявить закономерности в данных, недоступные для выявления традиционными алгоритмами классифика-
ции и кластерного анализа, что позволит реализовать более точный алгоритм идентификации класса исследуемых объектов.
Библиографические ссылки
1. Антамошкин А. Н., Масич И. С. Исследование свойств задач оптимизации при поиске логических закономерностей в данных // Системы управления и информационные технологии. 2012. № 4.1. С. 111-115.
2. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. М. : Физматлит, 2006. 402 с.
3. Жуков Е. А. Методы идентификации неинформативных объектов в задаче категоризации многомерных данных : магистерская дис. : 220100.68 / Сиб-ГАУ. Красноярск, 2013. 60 с.
4. Клачек П. М., Корягин С. И., Колеснико А. В., Минкова Е. С. Гибридные адаптивные интеллектуальные системы. Ч. 1. Теория и технология разработки : монография. Калининград : Изд-во БФУ им. И. Канта, 2011. 374 с.
5. Масич И. С. Комбинаторная оптимизация в задаче классификации // Системы управления и информационные технологии. 2009. № 1.2 (35). С. 283-288.
6. Прикладная статистика: Классификации и снижение размерности : справ. / С. А. Айвазян [и др.] ; под ред. С. А. Айвазяна. М. : Финансы и статистика, 1989. 607 с.
7. Семенкин Е. С., Шабалов А. А. Система автоматизированного проектирования коллективов интеллектуальных информационных технологий для задач анализа данных // Программные продукты и системы
2012. № 4. С. 70-73.
8. Хайкин Саймон. Нейронные сети: полный курс : пер. с англ. 2-е изд. М. : Вильямс, 2006. 1104 с. : ил.
References
1. Antamoshkin A. N. // Sisitemi upravlenija i informacionnie tehnologii, 2012, no. 1.4, pp. 111-115.
2. Gladkov L. A. Geneticheskie algoritmi (Genetic algorithms). M. : Fizmatlit, 2006. 402 p.
3. Zhukov E. A. Meodi identifikacii neinformativnih ob 'ektov v zadache kategorizacii mnogomernih dannih (Methods of non-informative objects identification in multi-dimensional data categorization task). Krasnojarsk,
2013. 60 p.
4. Klachek P. M. Gibridnie adaptivnie intellectualnie sistemi. Ch. 1. Teorija I tehnologija razrabotki (Hybrid adaptive intelligence systems. Pt. 1. Theory and technology of development). Kaliningrad : Izd-vo BFU im. Kanta, 2011. 374 p.
5. Masich I. S. // Sisitemi upravlenija i informacionnie tehnologii, 2009, no. 1.2 (35), pp. 283-288.
6. Ayvazjan S. A. Prikladnaja statistika: Klassifikacija I snizhenie razmernosti (Applied statistic: Classifacation and dimension reduction). M. : Finansi i Statistika, 1989. 607 p.
7. Semenkin E. S. // Programmnie produkti i sistemi, 2012, no. 4, pp. 70-73.
8. Haikin Neyronnie seti: polniy kurs, 2e izdanie (Neural network: full course, vol. 2). M. : Izdatil'skiy dom "Vil'jams", 2006. 1104 p.
© Жуков Е. А., Ступина А. А., 2013
