CC BY
109. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm. Proceedings of the 9th edition of the Language Resources and Evaluation Conference, Reykjavik, Iceland, 2014.
10. Akhmedova Sh. |et al.]. Opinion Mining and Topic Categorization with Novel Term Weighting. Proc. of the 5th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis. 2014. p. 84-89.
11. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems. Vestnik SibGAU. 2013. № 4 (50). p. 116-123.
12. Semenkin, E., Semenkina, M. Self-Configuring GeneticAlgorithm with Modified Uniform Crossover
Operator. Advances in Swarm Intelligence (Eds.: Tan, Y., Shi, Y., Ji, Z.), ICSI 2012, Part 1, LNCS 7331, Springer, Heidelberg. 2012, p. 414-421.
13. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm. IEEE Transactions on Evolutionary Computation 6(4). 2002, p. 321-332.
14. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover. IEEE Congress on Evolutionary Computation (CEC). 2012. С. 62-65.
© Семенкина О. Е., Попов Е. А., Семенкина О. Э., 2014
УДК 338.246
ОСОБЕННОСТИ ПОСТАНОВКИ ЗАДАЧИ ДИАГНОСТИКИ ПАРАМЕТРОВ
ЭЛЕКТРОРАДИОИЗДЕЛИЙ
Д. В. Скворцов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: skvo-dima@yandex.ru
Основой надёжности современных космических аппаратов является использование для их комплектации электрорадиоизделий (ЭРИ) с высокими показателями качества и надежности. Рассматриваются особенности постановки задачи диагностики параметров ЭРИ. Таким образом, может иметь место трёхальтерна-тивная задача диагностики, выделяющая из числа рассматриваемых ЭРИ три класса, один из которых является пересечением двух других. Метод диагностики не использует указания учителя и обратную связь, а также не известно количество классов.
Ключевые слова: трёхальтернативная задача, учитель, обратная связь, класс.
FEATURES OF STATEMENT OF THE PROBLEM OF ERC DIAGNOSTICS
D. V. Skvortsov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: skvo-dima@yandex.ru
Basis of reliability of modern space vehicles is used for their complete set electric radiocomponents (ERC) with high parameters of quality and reliability [3]. The features of statement of a problem of ERC parameter diagnostics are considered. Therefore, the three-alternative task of diagnostics allocating from among considered ERC three classes takes place, one of which is crossing two others. A method of diagnostics does not use teacher's instructions a feedback. The final quantity of classes is not known[1].
Keywords: a three-alternative task, the teacher, a feedback, a class.
При испытаниях различных электрорадиоизделий может быть сформирована выборка диагностических параметров вида
{«, «2и1}' =15 ,
где 5 - объем выборки; к - количество параметров. В общем виде выборка наблюдений может быть представлена в виде таблицы, где столбцы представляют собой переменные (одна строка - одно изделие),
а строки - измерения соответствующих параметров ЭРИ.
Выборка диагностических измерений
uj u2 u\
uj2 u2 uk
u{ u2 uk
Решетневскуе чтения. 2014
Для моделирования настоящей задачи использовались результаты замеров параметров микросхем типа 1НТ251.
Рассмотрим задачу распознавания образов без учителя [1]. Предварительный этап включает в себя нормирование и центрирование исходных данных:
u, - m,
I = 1, к,
(1)
где п1 - значение измеренной переменной; т1 -оценка математического ожидания переменной ы\; ст1 - оценка среднеквадратического отклонения ы\.
Далее вычисляется многомерное евклидово расстояние между всеми точками выборки
{,«2,...,4},' = 1,5 :
d(ul,u]) = ijx(ui - U ) .
(2)
Затем построим гистограммы распределения, пример которой представлен на рис. 1.
Такая гистограмма распределений говорит о наличии классов, но сказать по ней о количестве классов нельзя. Задача автоматической классификации состоит в выделении групп по результатам измерений
{ ,и2—ик}1 =1,5.
несем к одной группе. Проделываем данную процедуру относительно всех точек группы. В дальнейшем эти точки исключаются из исходной выборки.
4. На основе этих процедур сгруппируем все оставшиеся точки выборки{й{ ,й'2,...,й'к},i = 1,si [2]. Для каждой группы вычисляются координаты центра {u1,u2,...,uk},i = 1,n, где n - число групп. Координаты
центра - среднее арифметическое значений по каждому признаку всех точек группы.
5. Рассмотрим оставшуюся выборку
{м/,м"2,...,й'к},i = 1,s2, где s2 = s - s1. В выборке
{#1, ¿2,.., 4 }, i = 1, s1 были выделены группы, однако в
выборке {и"!,«2,...,й'к},i = 1,s2 также могут существовать точки, которые принадлежат найденным группам.
6. Для того чтобы определить, принадлежит ли точка из выборки {ü¡,й"2,...,й'к},i = 1,s2 какой-либо
группе, необходимо задать значение параметра Л2, от которого зависит радиус группы:
dmin <Д1 <Д2 < dmax.
7. Если расстояние от центра группы до точки вы-
борки {u1, u2 ,...,u¿ }, i = 1, s.
меньше А
2
т. е.
С («3, й1) < А2, I = 1,52 , то считаем, что точка й1 принадлежит ]-й группе. Проводим данную операцию для всех центров групп, т. е. ] = 1,п .
На графике срезов (рис. 2) видно, что алгоритм выделил 3 группы. Точки разных групп показаны разными символами, звездочками показаны центры классов. У групп 1 и 3 имеется общая область пересечения. Таким образом, выборки измерений были разделены на классы, которые отличаются различными значениями большинства параметров, что может соответствовать различным уровням качества рассматриваемых изделий. Группа 2 выделяет изделия, сильно отличающиеся.
Рис. 1. Гистограмма расстояний
Опишем один из алгоритмов автоматической группировки [2].
1. Выделим 20 % точек, расстояния между которыми наименьшие: {,«2,...,«к},' = 1,, где 52 << 5 .
2. Определим значение параметра А;, от которого зависит число групп: Стт < А; << Стах, где Стт и Стах - это максимальное и минимальное расстояние
между точками выборки {, «2,..., й\ },1 = 1,51.
3. Выделим группы в выборке{,«2,...,«к},' = 1,5]. Если расстояние С («', ы]) <А1, то точки ы1 им3 от-
Рис. 2. Срезы по тестам
Кривая плотности распределения (рис. 3) имеет три выраженных пика, свидетельствующих о наличии трёх классов.
Анализ задачи диагностики ЭРИ показывает, что среди годных изделий возможно наличие групп, классов. Это обусловлено, прежде всего, отличающимися технологическими цепочками их изготовления в рамках технологического регламента. Причины этого -различные приобретенные партии, различия во времени их изготовления различными поставщиками. Рассматривается предварительная обработка диагностических параметров с последующей группировкой изделий по данным диагностических испытаний.
Рис. 3. Плотность распределения
Проводя диагностику параметров партии ЭРИ, мы можем выделить отчётливые группы, формируемые теми или иными факторами. Факторы могут быть самые различные.
К примеру: технология производства ЭРИ, соблюдение или несоблюдение этой технологии, качество исходных материалов для создания ЭРИ и даже такой
фактор, как период времени, в который ЭРИ были изготовлены.
Таким образом, проводя разделение партии на группы со сходными характеристиками, возможно появленипе групп (изделий), сильно отличающихся (так называемый выброс). И именно эти сильно отличающиеся изделия требуют особого внимания, поскольку могут по сути являться теми самыми ЭРИ с уникальными свойствами и показателями надёжности [3].
Библиографические ссылки
1. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск : Ин-т математики, 1999. 270 с.
2. Коплярова Н. В., Орлов В. И., Сергеева Н. А., Федосов В. В. О непараметрических моделях в задаче диагностики электрорадиоизделий // Заводская лаборатория. 2014. № 7.
3. Орлов В. И., Сергеева Н. А., Чжан Е. А. Техническая диагностика электрорадиоизделий // XII Все-рос. совещание по проблемам управления ВСПУ-2014 (16-19 июня, г. Москва). 2014. С. 7676-7682.
References
1. Zagoruiko N. G. Prikladnye methody analiza dannih I znaniy. Novosibirsk: In-t mathematiki, 1999. 270 s.
2. Kopljarova N. V., Orlov V. I., Sergeeva N. A., Fedosov V. V. About nonparametric models in a task of diagnostics ERC. Magazine Factory laboratory. № 7, 2014.
3. Orlov V. I., Sergeeva N. A., Chzhan E. A. Technical diagnostics ERC // XII All-Russia meeting on problems of management VSPU-2014: works of the All-Russia meeting. Moscow, 16-19, on June, 2014. Р. 7676-7682.
© Скворцов Д. В., 2014
УДК 519.688
ПАРАЛЛЕЛЬНЫЙ ВЫЧИСЛИТЕЛЬНЫЙ АЛГОРИТМ ДЛЯ ОПИСАНИЯ ТЕРМОМЕХАНИЧЕСКОГО ПОВЕДЕНИЯ ЖИДКИХ КРИСТАЛЛОВ*
И. В. Смолехо, О. В. Садовская
Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: iro4ka_17_93@mail.ru; o_sadov@icm.krasn.ru
В рамках акустического приближения математической модели жидкого кристалла разработан параллельный алгоритм для вычислительных систем на графических ускорителях. Проведена серия методических расчетов динамического деформирования жидких кристаллов при слабых механических и температурных воздействиях, демонстрирующих работу программы.
Ключевые слова: жидкий кристалл, динамика, упругость, теплопроводность, двуциклическое расщепление, параллельный алгоритм, технология CUDA.
*Работа поддержана грантом РФФИ 14-01-00130.
