CC BY
49
цiйних автоматизованих системах, робота яких основана на використант знань експерпв. Способи представлення та обробки нечислових даних, що описанi в роботi, да-ють можливiсть розширити базу правил штелектуаль-них автоматизованих систем за рахунок використання квантифiкаторiв, е простими в обчисленш i на вiдмiну вщ iснуючих методiв е простим в програмнш реалiзацii.
Литература
1. Gong, J. Representing and measuring experts knowledge based on knowledge network [Text] / J. Gong, L. Liu // Studies in Science of Science. — 2010. — № 28(10). — Р. 1521-1530.
2. Корнеев, В. В. Базы данных. Интеллектуальная обработка информации [Текст] / В. В. Корнеев, А. Ф. Гареев, С. В. Ва-сютин, В. В. Райх. — М.: Нолидж, 2000. — 352 с.
3. Maxwell, S. E. Designing experiments and analyzing data: A model comparison perspective [Text] / S. E. Maxwell, H. D. Delaney. — Ed. 2. — Mahwah, NJ: Lawrence Erlbaum Associates, 2004. — 1104 p.
4. Рябушкин, Т. В. Статистические методы анализа экспертных оценок [Текст]: сб. наук. ст. / под ред. Т. В. Рябушкина, Г. И. Бакланова, А. Г. Волкова и др. // Ученые записки по статистике. — М.: Наука, 1997. — Т. 29. — 385 с.
5. Литвак, Б. Г. Экспертная информация: Методы получения и анали за [Текст] / Б. Г. Литвак. — М.: Радио и связь, 1982. — 184 с.
6. Орлов, А. И. Прикладная статистика [Текст]: учебник / А. И. Орлов. — М.: Экзамен, 2004. — 656 с.
7. Linstone, H. A. The Delphi Method: Techniques and Applications [Text] / J. E. J., H. A. Linstone, M. Turoff // Technometrics. — 1976. — Vol. 18, № 3. — P. 363-364. doi:10.2307/1268751
8. Dalkey, N. C. The Delphi method: An experimental study of group opinion [Electronic resource] / N. C. Dalkey. — Santa-Monica, Calif: RAND corporation, 1969. — 80 p. — Available at: \www/URL: http://www.rand.org/content/dam/rand/pubs/ research_memoranda/2005/RM5888.pdf
9. Scheibe, M. Experiments in Delphi methodology [Text] / M. Scheibe, M. Skutsh, J. Schofer // In: The Delphi method. Techniques and applications. — London: Addison — Wesley Publ., 1975. — P. 257-281.
10. Снитюк, В. Е. Модели методы определения компетентности экспертов на базе аксиомы несмещенности [Текст] / В. Е. Снитюк, Рифат Мохаммед Али // Вюник Ч1Т1. — Черкаси, 2000. — № 4. — С. 121-126.
11. Gharajedaghi, J. Toward systemic education of systems scientists [Text] / J. Gharajedaghi, R. L. Ackoff // Systems Research. — 1985. — Vol. 2, № 1. — P. 21-27. doi:10.1002/sres.3850020105
12. Мелихов, А. Н. Ситуационные советующие системы с нечеткой логикой [Текст] / А. Н. Мелихов, Л. С. Берштейн, С. Я. Коровин. — М.: Наука. Гл. ред. Физ.-мат. Лит., 1990. — 272 с.
13. Штовба, С. Д. Проектирование нечетких систем средствами MATLAB [Текст] / С. Д. Штовба. — М.: Горячая линия — Телеком, 2007. — 288 с.
14. Павлов, А. Н. Методы обработки экспертной информации [Текст]: учебно-метод. пособие / А. Н. Павлов, Б. В. Соколов; ГУА. — СПб., 2005. — 42 с.
МЕТОД ПРЕДСТАВЛЕНИЯ ЭКСПЕРТНОЙ ИНФОРМАЦИИ СРЕДСТВАМИ НЕЧЕТКОЙ ЛОГИКИ И ПОЛУЧЕНИЕ ГРУППОВОЙ ОЦЕНКИ МНЕНИЙ ЭКСПЕРТОВ
В работе рассматривается решение важной практической задачи обработки лингвистической экспертной информации, получения групповой оценки мнений экспертов с учетом их квалификации. Показана и обоснована возможность применения для решения поставленных задач методов теории нечетких множеств. Проведена численная апробация предложенных в работе методов.
Ключевые слова: экспертная информация, квалификация экспертов, групповая экспертная оценка, нечеткая логика.
Куц Антон Миколайович, астрант, кафедра тформацшних систем та технологш, Академ1я митног служби Украгни, Днтро-петровськ, Украгна, е-mail: academy@amsu.dp.ua.
Куц Антон Николаевич, аспирант, кафедра информационных систем и технологий, Академия таможенной службы Украины, Днепропетровск, Украина.
Kuts Anton, Ukrainian Academy of Customs Service, Dnipropetrovsk, Ukraine, e-mail: academy@amsu.dp.ua
УУДК: 004.032.26 DOI: 10.15587/2312-8372.2015.40779
Шмалюк I. Ю. Бушин I. M.
ПР0ГРАМНА РЕАЛ13АЦ1Я АЛГОРИТМУ BSP ДЛЯ КЛАСТЕРИЗАЦП СОЦ1АЛЬНИХ МЕРЕЖ
У статтi розглядаеться алгоритм кластеризацп BSP (business system planning). Запропоно-ваний алгоритм, вiдрiзняеться eid традицшних алгоритмiв кластеризацп, об'екти сощальног мережi можна об'еднувати в окремi кластери на основi гх зв'язтв i визначати вiдношення мiж кластерами. Продемонстровано роботу алгоритму на конкретному nрикладi та представлено його блок-схему.
Ключов1 слова: кластеризащя, сощальна мережа, алгоритм BSP, кластериний аналiз.
1. Вступ
Сощальна мережа (Social Network) — популярний вид штернет-спшьноти, що ввдображае сощальну структуру зв'язюв ]шж людьми, основою яких можуть бути торпвля, грош^ ще", знання, кар'ера, стосунки тощо. Часто ця структура е вщображенням зв'язюв, яю i> нують у реальному житт [1].
Порiвняно з шшими формами вiртуальних стльнот сощальш мережi набули популярное^ лише останшм часом. Сьогодш 1х е вже доволi багато.
Основна щея сощальних мереж дуже проста. Шд сощальною мережею розумiеться безлiч акто-рiв (точок, вершин, агенпв), яю можуть вступати у взаемодт один з одним. З формально! точки зору таю мережi зручно представляти у виглядi графiв
TECHNOLOGY AUDiT AND PRODUCTiON RESERVES — № 2/2(22], 2015, © Шмалюк I. Ю., Бушин I. М.
21
J
i застосовувати для ix аналiзу розвиненi математичш моделi.
Аналiз соцiальниx мереж, який також можна засто-сувати до аналiзу структури та властивостей особистих вщносин, веб-посилання на сторiнки, i поширення по-вiдомлень, е областю дослiджень в соцiологii. Останнiм часом аналiз соцiальноi мережi привертае все бшьшу увагу в науковому спiвтовариствi iнтелектуального ана-лiзу даних.
На даний момент шнуе досить багато рiзниx ал-горитмiв кластеризацп, але бшьшшть з них групують об'екти пльки в залежностi вiд значення ix атрибу-тiв. Натомiсть кластеризащя соцiальниx мереж вимагае групування об'еклв i вiд значення зв'язкiв мiж ними. Тому актуальним буде запропонований BSP алгоритм кластеризацп.
2. Анал1з лгсературних даних та постановка проблеми
В основi аналiзу соцiальниx мереж лежить мате-матична теорiя графiв (вона представлена в роботах таких авторiв, як Ердос, Харари i Раппапорт), а також емпiричнi дослщження в галузi соцiальноi психологи та антропологи (Хайдер i Морено). У XX десятилип були опублiкованi першi фундаментальнi дослiдження соцiальниx мереж (Fischer, 1982 [2]; Wellman, 1979 [3]). Були розроблеш алгоритми кластерного моделюван-ня (White et al., 1976), були розроблеш базовi метрики для аналiзу соцiальниx мереж (Freeman, 1979) [4], засноваш журнали «Social Networks» i «Connections», а також оргашзовано мiжнародне академiчне ствто-вариство INSNA (The International Network of Social Network Analysts) [5]. У наступш десятилитя юль-кiсть дослвджень, якi посилалися або безпосередньо використовували аналiз соцiальниx мереж, багаторазово зросли. Дункан Уоттс (Duncan J. Watts) i Спвен Стро-гац (Steven H. Strogatz) розвинули теорт сощальних мереж i першими запропонували поняття коефщента кластеризацп, тобто ступеня близькост мiж неоднорщ-ними групами (коли людина розширюе мережу своix зв'язюв за рахунок осiб, яких вона не знае особисто, але знають ii знайомi) [6].
Кластеризацiя мережi — розбиття соцiальноi мережi на непереачш пiдмножини — кластери, так, щоб кожен кластер складався з схожих об'екпв, а об'екти рiзниx кластерiв iстотно вiдрiзнялися. Знаходження класте-рiв дозволяе виявити тi чи iншi структури, приxованi в сощальнш мережi [7].
Видiлення кластерiв можна робити за рiзними атрибутами агенпв мережi, наприклад по стать В кластери можна об'еднувати е^валентш агенти мережi. Якщо в мережi передаються iнформацiйнi повiдомлення, то в один кластер можуть потрапити агенти, що передають шформащю, у другий — тi, хто ii отримуе, а в третш — ri агенти, якi й отримують, i передають повiдомлення [8].
Прикладом приватного алгоритму кластеризацп е алгоритм Првана-Ньюмана, заснований на параметрi промiжностi вершин, — знаходить вершини, що лежать мiж спiльнотами i видаляе ix, отримуючи незв'язанi спшьноти. Алгоритм дае досить гарнi результати, але дуже ресурсоемкий з точки зору обчислень [9].
У данш статп розглядаеться програмна реалiзацiя кластеризацп соцiальноi мережi за допомогою алгорит-
му BSP. Алгоритм групуе об'екти не тшьки в залеж-ност вiд значення ix атрибутiв, але i в залежностi вiд зв'язюв мiж цими об'ектами.
3. 06'ект, мета та задач1 дослщження
Об'ектом дослгдження е алгоритм BSP, за допомогою якого можна кластеризувати даш в сощальнш мереж!
Проведенi дослщження ставили за мету визначити ефектившсть вiдповiдного алгоритму кластеризацп.
Для досягнення поставленоi мети вирiшувалися наступш задачi:
— розглянути та порiвняти методи аналiзу соцiаль-них мереж. Запропонувати алгоритм, за допомогою якого можна подшити соцiальну мережу на рiзнi кластери вiдповiдно до об'ектiв в сощальнш мережi i зв'язкiв мiж ними, а також можливiстю визначення взаемозв'язюв мiж кластерами;
— розглянути алгоритм BSP для кластеризацп сощальних мереж на конкретному приклада побудувати блок-схему алгоритму та визначити його основш недолжи та переваги.
4. Алгоритм BSP для кластеризацп сощальних мереж
4.1. Програмна реалiзацiя BSP для кластеризаци сощальних мереж. Алгоритм кластеризацп business system planning (BSP) запропонований компашею IBM. Цей алгоритм використовуе об'екти ^знес-процеси) i зв'яз-ки мiж об'ектами (класи даних) для проведення кластерного аналiзу. Сощальш мережi також включають в себе об'екти i зв'язки мiж цими об'ектами. Тому алгоритм BSP може бути використаний i при аналiзi соцiальниx мереж. Кластеризащя в аналiзi соцiальниx мереж вiдрiзняеться вiд традицiйноi кластеризацп. Вона вимагае угрупування об'екпв не пльки залежно вiд значення ix атрибупв, але також i в залежност вiд зв'язкiв мiж цими об'ектами [10].
Сощальну мережу можна представити у виглядi орiентованого графа, який складаеться з об'екпв i зв'язюв мiж ними. Програмно представити граф можна за допомогою матриц сумiжностi. Матриця сумiжностi графа S зi скiнченною кiлькiстю вершин n (пронумеро-ваних числами вiд 1 до n) — це квадратна матриця A розмiру n, в яюй значення елементу aj рiвне числу ребер з i-i вершини графа в j-у вершину. Осюльки в випадку, який розглядае автор даноi роботи, граф буде простий i орiентований. Матриця сумiжностi простого графа (що не мктить петель i кратних ребер) е бшарною матрицею i мiстить нулi на головнiй дiагоналi. Матриця сумiжностi орiентованого графа не симетрична.
Нехай Oi — об'ект в сощальнш мережi (i = 1, ..., m), Ej — напрямлений зв'язок мiж двома об'ектами, на-прямлене ребро графа (j = 1, ..., n). 1снують 2 типи вщносин досяжностi мiж об'ектами: довжиною в один крок i довжиною в юлька крокiв. Два об'екти Oi i Oj перебувають у ввдношенш досяжностi довжиною в один крок, якщо кнуе направлений зв'язок ввд Oi до Oj, що проходить через одне i пльки одне спрямоване ребро.
Пiсля визначення об'екпв та спрямованих ребер, визначимо досяжний зв'язок мiж двома об'ектами. Для графа об'екпв соцiальноi мережi i зв'язкiв мiж ними необхщно визначити двi матрицi Lc i Lp. Нехай Lc —
матриця т х п, яка визначае вершини i дуги, як з них виходять. Якщо з об'екта О{ виходить дуга Е], то зна-чення елемента Ьс (i, ]) = 1. Ввдповщно, якщо з об'екта О{ не виходить дуга Е], то значення елемента Ьс(i,]) = 0. Нехай Ьр — матриця тхп, яка визначае вершини i дуги, якi входять в них. Якщо в об'ект О{ входить дуга Е, то значення елемента Ьр(i,]) = 1. Ввдповщно, якщо в об'ект О{ не виходить дуга Е], то значення елемента Ьр О,;') = 0.
Матриця досяжност довжиною в один крок розра-ховуеться за формулою:
G = Ьс ■ ЬТр = (gi,j = ^(1с0,к) л 1Тр (k, ])),
i = 1,..,т, ] = 1,..,т), (1)
де л — булевий добуток, V — булева сума.
В отриманш матрищ значення елемента G(i, ]) = 1 позначае, що об'екти О{ i О] знаходяться в вщношенш досяжностi довжиною в один крок. Значення елемента матрищ G(i, ]) = 0 позначае, що об'екти О{ не перебува-ють у вiдношеннi досяжностi довжиною в один крок О.
Розрахунок матрищ т - 1 — кроково! досяжностi розраховуеться за формулою:
Gm-1 = Gm-2 . G =
= (тЛ; = ^ (1с (ь к) л 1Тр (к,])), i = 1,.., т, ] = 1,.., т. (2)
Розрахунок узагальнено! матрицi досяжностi проводиться за такою формулою:
R = IV G V G2... V Gm-1, (3)
де I — одинична матриця.
Ввдношення досяжност не е симетричним. Значення елемента матрищ R(i, ]) = 1 означае, що шнуе вщно-шення досяжностi вiд об'екта О{ до об'екта О], але це не означае, що також шнуе вщношення досяжностi вiд об'екта О] до об'екта О{.
Шсля цих визначень, можна використовувати BSP алгоритм кластеризацп для аналiзу сощально! мережi. Тому потрiбно розрахувати матрицю взаемодосяжностi об'ектiв, Грунтуючись на розрахунок матрищ R. Розрахунок матрищ взаемодосяжност проводиться за такою формулою:
Шсля кластеризацп соцiальноi мережу визначаемо вiдношення мiж кластерами. Це можна зробити за до-помогою отриманих кластерiв i матрицi однокроковоi досяжностi G. Якщо icHye вщношення досяжностi в один крок мiж двома об'ектами i3 рiзних кластерiв, то ic-нуе направлений зв'язок мiж вiдповiдними кластерами. Через G автор статт може визначити вс вiдношення мiж кластерами.
Розглянемо блок-схему алгоритму BSP для кластеризацп сощальних мереж (рис. 1).
визначити матрищ Т- i Lp
I
*
' for k=3 to m do ~ +
Gk 1 =Gk~2 G
+
R = R
О = R/\RT
T
рис. 1. Блок-схема алгоритму BSP для кластеризацп сощальних мереж
4.2. Реашзащя алгоритму BSP на nрикладi фрагменту соцiальноi мережi. Представимо сощальну мережу у ви-глядi орiентованого графа, який складаеться з об'ек-тiв i зв'язкiв мiж ними. На рис. 2 зображено приклад фрагменту cоцiальноi мереж! Колом зображено об'екти мереж^ наприклад це може бути користувач. Строками зображено ребра графа, яю позначають напрямлеш зв'язки мiж об'ектами.
2 = R л $Т. (4)
У розраховано'! матрицi значення елемента <2(у) = 1 означае, що шнуе вiдношення взаемодосяжностi мiж об'ектом О{ i об'ектом О]. Якщо у сощальнш мережi два об'екти перебувають в вiдношеннi взаемодосяжностi, вони належать до одного i того ж класу. Тому процес кластеризацп користувачiв сощально! мережi Грунтуеться на процес аналiзу розраховано! матрицi взаемодосяж-ностi об'ектiв (). Спочатку видшяемо сильно зв'язанi пiдграфи та визначаемо матрищ сильно! зв'язностi цих пiдграфiв. Матриця е матрицею сильно! зв'язносп, якщо всi елементи в нш рiвнi 1.
Рис. 2. Приклад фрагменту сощальнш мереЖ
TECHNOLOGY AUDiT AND PRODUCTiON RESERVES — № 2/2(22], 2015
23-J
Вiдповiдно, матриц Lc i Lp матимуть вигляд:
1000000000 0100000000 0011000000 0000100000 0000010000 0000001100 0000000011
, Lp =
0100000000 1010000000 0000100000 0001000010 0000001000 0000000001 0000010100
Обчислимо матрицю досяжност довжиною в один крок:
1000000000 0100000000 0011000000 G= 0000100000 0000010000 0000001100 0 000000011
0 1 0 0 0 0 0' 1000000 0 10 10 0 0 0 0 10 0 0 0 0 0 0 0 0 0 1 0 0 0 0 10 1 0 0 0 10 10
0100000000 1010000000 0000100000 0001000010 0000001000 0000000001 0000010100
0 10 0 0 0 0 1000000 0 10 10 0 0 G5 = G4 G = 1 0 1 0 0 0 0 10 11111 1111111 0111111
1000000 0 10 0 0 0 0 10 10 0 0 0 G6 = G5 G = 0 10 10 0 0 0111111 1111111 1111111
Розрахунок узагальнено! матрицi досяжностi матиме вигляд:
R = I v G v G2 v G3 v G4 v G5 =
1000000 0 10 0 0 0 0 0 0 10 0 0 0 0 0 0 10 0 0 0 0 0 0 10 0 0 0 0 0 0 10 0 0 0 0 0 0 1
0 10 0 0 0 0 1000000 0 10 10 0 0 0 0 10 0 0 0 0 0 0 0 0 0 1 0 0 0 0 10 1 0 0 0 10 10
Розрахунок матрищ 2, 3, 4, 5, 6 — кроково! досяжностк
1000000 0 10 0 0 0 0 10 10 0 0 0 0 10 10 0 0 0 0 0 10 10 0 0 0 10 11 0 0 10 10 1
G2 = G G =
G3 = G2 G =
G4 = G3 G =
0 1 0 0 0 0 0 1000000 0 10 10 0 0 10 10 0 0 0 0 0 10 10 1 0 0 11111 0 10 10 11
1000000 0 10 0 0 0 0 10 10 0 0 0 0 10 10 0 0 0 10 10 11 0111111 10 11111
1000000 0 10 0 0 0 0 10 10 0 0 0 0 10 10 0 0 0 0 0 10 10 0 0 0 10 11 0 0 10 10 1
1000000 0 10 0 0 0 0 10 10 0 0 0 0 10 10 0 0 0 10 10 11 0111111 10 11111
0 10 0 0 0 0 1000000 0 10 10 0 0 10 10 0 0 0 0 0 10 10 1 0 0 11111 0 10 10 11
0 1 0 0 0 0 0' 1000000 0 10 10 0 0 10 10 0 0 0 10 11111 1111111 0111111
1 0 0 0 0 0 0N '1 1 0 0 0 0 0
0 10 0 0 0 0 110 0 0 0 0
1 0 10 0 0 0 11110 0 0
0 10 10 0 0 = 11110 0 0
0 111111 1111111
1 111111 1111111
1 1 1 1 1 1 1, 1111111
Розрахунок матрищ взаемодосяжностк
Lc =
v
v
v
v
v
v
v
v
v
J
Q = R л RT =
'l 0 0 0 0 0N
l 0 0 0 0 0
l l l 0 0 0
l l l 0 0 0 л
l l l i l l
l l l i l l
.l l l l l l,
111111 111111 0 0 1111 0 0 1111 0 0 0 0 11 0 0 0 0 11 0 0 0 0 11
l l 0 0 0 0 0 l l 0 0 0 0 0 0 0 l l 0 0 0 0 0 l l 0 0 0 0 0 0 0 l l l 0 0 0 0 l l l 0 0 0 0 l l l
Шсля застосування алгоритму утворилися класте-ри Cb C2, C3.
На рис. 3 зображено результати алгоритму розгля-нутого прикладу, кластери i зв'язки мiж ними.
рис. 3. Кластери та зв'язки мш ними
Кластер С1 вщповщно мiстить два елементи, а саме 01 i 02, кластер C2 мiстить також два елементи — 03 i 04, а кластер C3 мiстить три елементи — O5, 06, 07. Зв'язки мiж кластерами вiдображаються у виглядi на-прямлених зв'язкiв мiж вузлами O3 i O2, а також мiж вузлами 07 i O4.
Запропонований алгоритм, на ввдмшу вiд тради-цiйних алгоритмiв кластеризацп, дозволяе об'еднувати об'екти в сощальнш мережi в pi3Hi кластери на основi ïxhîx зв'язкiв i визначати ввдношення мiж кластерами динамiчно, що не вимагае великоï кiлькостi пам'ять Матриця порядку n вимагае для свого збер^ання n2 байт оперативноï пам'ятi, а час обчислень пропор-ЦiйHИй n3.
Недолiком розглянутого алгоритму е те, що вш ви-користовуе матрицi для збертння зв'язкiв i iснуючих вiдношень досяжность При аналiзi реально iснуючих сощальних мережах цi матрицi будуть мати велику розмiрнiсть, що ускладнюе ïï завантаження в пам'ять i обробку. Тому краще зберiгати данi, як структури даних, а не матрищ. Крiм того алгоритм працюе з об'ектами однаковоï ваги, проте в реальному свт ребра можуть мати рiзну вагу, що треба вдосконалити.
Литература
1. Березко, О. Л. WWW як сощальна мережа [Текст] / О. Л. Бе-резко, А. М. Пелещишин // Proc. of the Second Intern. Conf. on Computer Science and Engineering (CSE'2007). — Lviv, 2007. — P. 29-30.
2. Fischer, C. To dwell among friends [Text] / C. Fischer. — Chicago: University of Chicago Press, 1982. — 459 р.
3. Wellman, B. The Community Question: The Intimate Networks of East Yorkers [Text] / B. Wellman // American Journal of Sociology. — 1979. — Vol. 84, № 5. — P. 1201-1231. doi:10.1086/226906
4. Freeman, L. C. Centrality in social networks conceptual clarification [Text] / L. C. Freeman // Social Networks. — 1978. — Vol. 1, № 3. — P. 215-239. doi:10.1016/0378-8733(78)90021-7
5. International Network for Social Network Analysis [Electronic resource]. — Available at: \www/URL: http://www.insna.org/. — 13.03.2015.
6. Watts, D. J. Networks, Dynamics, and the Small-World Phenomenon [Text] / D. J. Watts // American Journal of Sociology. — 1999. — Vol. 105, № 2. — P. 493-527. doi:10.1086/210318
7. Nair, P. S. Data Mining Through Fuzzy Social Network Analysis [Electronic resource] / P. S. Nair, S. T. Sarasamma // NAFIPS 2007 — 2007 Annual Meeting of the North American Fuzzy Information Processing Society. — Institute of Electrical & Electronics Engineers (IEEE), 2007. — Available at: \www/ URL: http://doi.org/10.1109/nafips.2007.383846
8. Мандель, И. Д. Кластерный анализ [Текст] / И. Д. Мандель. — М.: Финансы и статистика, 1988. — 176 c.
9. Сивоголовко, Е. В Методы обобщающей кластеризации при анализе социальных сетей [Текст] / Е. В. Сивоголовко // Программные продукты и системы. — 2011. — № 4. — С. 98-101.
10. Бойко, Е. А. Кластеризация социальных сетей с помощью алгоритма кластеризации BSP [Текст] / Е. А. Бойко // Восточно-Европейский журнал передовых технологий. — 2012. — № 3/11(57). — С. 34-36. — Режим доступа: \www/ URL: http://journals.uran.ua/eejet/article/view/4199
л
5. Висновки
Aналiз сощальних мереж в новою галуззю дослщжень в штелектуальному аналiзi даних. Кластеризация при аналiзi соцiальноï мережi вiдрiзнявться ввд традицш-toï кластеризацп. Це вимагае групування предмепв на кластери залежно вщ '¿х зв'язюв, а також '¿х атрибупв. У той час як група традицшних алгоритмiв кластеризу-ють об'екти тшьки на основi подiбностi об'екпв, тому вони не можуть бути застосоваш до аналiзy сощаль-toï мережь Так на прикладi продемонстрували кластеризацию соцiальноï мережi на основi BSP алгоритму кластеризацп. У результат отримали три кластери та з'ясували вщношення мiж ними.
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА BSP ДЛЯ КЛАСТЕРИЗАЦИИ СОЦИАЛЬНЫХ СЕТЕЙ
В статье рассматривается алгоритм кластеризации BSP (business system planning). Предложенный алгоритм, отличается от традиционных алгоритмов кластеризации, объекты социальной сети можно объединять в отдельные кластеры на основе их связей и определять отношение между кластерами. Продемонстрировано работу алгоритма на конкретном примере и представлено его блок-схему.
Ключевые слова: кластеризация, социальная сеть, алгоритм BSP, кластерный анализ.
Шмалюк 1нна Юрпвна, кафедра ттелектуальних систем при-йняття ршень, Черкаський нащональний утверситет ím. Богдана Хмельницького, Украта, е-mail: inna_shmalyuk@mail.ua.
TECHNOLOGY AUDiT AND PRODUCTiON RESERVES — № 2/2(22), 2015
информационные технологии
ISSN 222Б-37В0
Бушин 1гор Миколайович, кандидат фiзико-математичних наук, доцент, кафедра ттелектуальних систем прийняття ршень, Черкаський нащональний ушверситет ж. Богдана Хмель-ницького, Украта, e-mail: shvaika@yandex.ua.
Шмалюк Инна Юрьевна, кафедра интеллектуальных систем принятия решений, Черкасский национальный университет им. Богдана Хмельницкого, Украина.
Бушин Игорь Николаевич, кандидат физико-математических наук, доцент, кафедра интеллектуальных систем принятия решений, Черкасский национальный университет им. Богдана Хмельницкого, Украина.
Shmalyuk Inna, Cherkasy National University named after Bogdan Khmelnitsky, Ukraine, e-mail: inna_shmalyuk@mail.ua. Bushin Igor, Cherkasy National University named after Bogdan Khmelnitsky, Ukraine, e-mail: shvaika@yandex.ua
УДК 519.23:004.932 DOI: 10.15587/2312-8372.2015.40820
МЕТОДЫ ИССЛЕДОВАНИЯ СТАТИСТИЧЕСКИХ ХАРАКТЕРИСТИК CCD-ИЗМЕРЕНИЙ ПОЛОЖЕНИЙ И БЛЕСКА ОБЪЕКТОВ СОЛНЕЧНОЙ СИСТЕМЫ
Предложена совокупность методов оценки статистических свойств CCD-измерений Солнечной системы. В качестве источников данных используются обработанные серии CCD-кадров астероидных обзоров, а так же Интернет-сервисы. Разработанные методы позволяют проводить анализ, включая оперативный, расширенного множества показателей точности измерения и качества обнаружения астероидов на расширенном множестве анализируемых подвыборок измерений и кадров.
Ключевые слова: CCD-измерения, MPC, Minor Planet Checker, NASA HORIZONS, оценка показателей точности.
Безкровный M. M., Дашкова А. И., Соковикова И. С., Саваневич В. Е., Брюховецкий А. Б.
1. Введение
Изучение астероидов и комет представляет большой интерес с разных точек зрения, в том числе из-за проблемы астероидно-кометной опасности. Число астероидов, размером не меньше километра на близких к Земле орбитах, по данным сайта «NEO Program» [1], составляет 866 (март 2015 года). Считается, что уже обнаружено около 90 % астероидов размерами более одного километра. При этом выдвигаются достаточно высокие требования к точности таких астрономических наблюдений. Исследование статистических характеристик CCD-измерений объектов (астероиды и кометы) Солнечной системы может быть весьма эффективным для повышения точности наблюдений обсерваторий и модернизации используемого ими программного обеспечения (ПО). Большинство систем сбора статистики возвращает анализ отклонений с накоплением за год или месяц. Это снижает оперативность исследования результатов проведенных модернизаций, как оборудования, так и программного обеспечения.
Актуальным является разработка методов с расширенным множеством формируемых и анализируемых статистических характеристик. А также создание научно-исследовательского программного инструмента, который будет включать разработанные методы, и позволять проводить оперативный, детальный анализ показателей точности измерения и качества обнаружения астероидов на расширенном множестве анализируемых подвыборок измерений и кадров.
2. Анализ литературных данных
Для анализа статистических характеристик измерений (оценок положения и блеска небесных объектов) мировым научным сообществом апробированы и чаще всего используются такие научно-исследовательские программные инструменты как ЭПОС [2-5], AstDyS [6-8], Fitsblink [9], а так же статистика Центра малых планет (МРС) [10, 11] отклонений малых планет по каждой обсерватории.
Центр малых планет (Minor Planet Center (МРС), Гарвардский Университет, Смитсоновская астрофизическая обсерватория) предоставляет статистические характеристики отклонений измерений нумерованных [11] и ненумерованных [10] астероидов и комет отдельно по каждому году наблюдений каждой обсерватории. Сервис статистических характеристик отклонений измерений МРС предоставляет следующие данные: количество измерений за один год, распределение измерений по диапазонам значений отклонений, средние значение отклонений и оценки среднеквадратического отклонения оценок положения (прямое восхождению и склонение) объектов во второй экваториальной системе координат (СК) [12, 13].
ЭПОС (Эфемеридная Программа для Объектов Солнечной системы) [2, 14] является программным инструментом для астрометрических исследований объектов Солнечной системы. ЭПОС позволяет сравнить измеренные координаты объектов с каталожными, на момент привязки измерения. Прогнозирование положения
с
26
технологический аудит и резервы производства
— № 2/2(22), 2015, © Безкровный M. М., Дашкова А. Н., Соковикова Н. С., Саваневич В. Е., Брюховецкий А. Б.
