DOI: 10.12737/article_58e6133853c808.40302316
Янчуковский В.Н., ст. преп. Иркутский национальный исследовательский технический университет
СИСТЕМА РАСПРЕДЕЛЕННОГО КЛАСТЕРНОГО АНАЛИЗА ОБЪЕКТОВ С ОДНОРОДНЫМИ ПРИЗНАКАМИ - МОДЕЛЬ И РЕАЛИЗАЦИЯ
V.Yanchukovsky@gmail.com
В статье описывается система распределённого кластерного анализа объектов с однородными признаками: основные требования, блоки и элементы, ее графоаналитическая и математическая модели. Математическая модель представлена в системе Пи-исчисления. Приводится ее программная реализация на языке ЫайаЪ. Для больших объемов данных предусмотрены параллельные вычисления. Представлены методы визуализации полученных результатов.
Ключевые слова: кластерный анализ, параллельные вычисления, вычислительный эксперимент, Пи-исчисление.
Введение. В последнее десятилетие, благодаря развитию сетевых технологий, наблюдается экспоненциальный рост количества доступной и обрабатываемой информации. В связи с этим относительно недавно появился термин Big Data [1], сочетающий в себе такие подходы, как кластерный анализ - многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы [2], и параллельные вычисления - способ организации компьютерных вычислений, при котором программы разрабатываются как набор взаимодействующих вычислительных
процессов, работающих параллельно (одновременно) [3]. Результатом совместного применения описанных выше методов является система распределенного кластерного анализа и её программная реализация.
Общее описание системы. Исходя из специфики методов кластерного анализа и параллельных вычислений сформулируем основные требования к системе:
1. Поскольку среди алгоритмов кластерного анализа нет какого-либо универсального, то, для повышения точности и эффективности, следует использовать несколько наиболее распространенных алгоритмов;
2. В случае если объем исходных данных будет значительным, для анализа результатов и восприятия их графического представления следует использовать метод понижения размерности для визуализации результатов получаемого разбиения и методы параллельных вычислений;
3. Некоторые распространенные алгоритмы требуют задавать количество кластеров как входной параметр, и в случае, когда, при предварительном анализе, пользователь не может сам оценить это количество, следует
использовать двухуровневую схему, когда на первом шаге менее точный алгоритм вычисляет количество кластеров, а более точный алгоритм на втором шаге производит окончательное разбиение;
4. Для более высокой эффективности анализа полученных результатов следует использовать несколько методов визуализации разбиений на кластеры, поскольку нет какого-либо одного универсального метода.
Исходя из всего вышеперечисленного, следует, что система будет включать следующие блоки:
• Блок алгоритмов кластерного анализа (^ means, FCM, иерархический, субтрактивный, ФОРЭЛ);
• Блок различных методов визуализации результатов в виде дендрограмм, силуэтов и графиков в координатах главных компонент;
• Блок двухуровневого кластерного анализа;
• Блок параллельных расчетов.
Для удобства формализации структуры системы и перехода к математической модели в системе пи-исчисления представим структуру в упрощенном виде как набор из основных конструкций - графоаналитически.
Пи-исчисление - математическая модель процессов, взаимосвязи которых изменяются. Основной вычислительный шаг - передача канала связи между двумя процессами; после этого получатель может использовать канал для дальнейшего взаимодействия с другими участвующими сторонами. Именно эта особенность исчисления делает его крайне удобным для моделирования систем, в которых доступные ресурсы изменяются с течением времени [4].
Примитивными сущностями пи-исчисления являются имена. Их бесконечно много, они лишены внутренней структуры. Имена записываются как символьные строки,
начинающиеся со строчной буквы: х, у,... 6 X. Процесс Р (выражение пи-исчисления) представляет собой одно из следующего списка[5]:
1) с(х).Р - входной префикс, получение данных х из канала с;
2)с(у). Р- выходной префикс, передача данных у по каналу с;
3) Р ^ - параллельный запуск двух процессов;
4) !Р - репликация процесса;
5) ^х)Р - объявление канала и последующее выполнение процесса;
6) тР - внутреннее действие процесса;
7) 0--пустой процесс.
На рис.1 представлена модель описанной системы в графоаналитическом виде. В данном случае все действия (задачи) представлены в виде процессов, переходы между действиями заменены на именованные потоки процесса, подсистемы заменены на блоки параллельного разделения, синхронизации и выбора, все блоки принадлежат одному из трех типов [5]:
• блок параллельного разделения, если из него выходит несколько потоков процесса;
• блок синхронизации, если в него входит несколько потоков процесса;
• блок выбора, если из него выходит несколько процессов.
Любой процесс можно представить, как набор из основных конструкций [5]. Процессы, показанные на рис. 1, могут быть представлены в терминах пи-исчисления следующим образом:
А = !а(х).гА.(Ь (х).0 +' (х).0); В = !Ь (х ).Гв с(х) .0; С = !с (х).гс .0; Б = ( х ) гв 7Г( х) .0; Е = е1( х ).!2 ( х )тг./1 ( х) .0; ^ = (!/1( х )|/ 2 ( х ))г .ш{х) .0;
0 = ! я (х) г Цх) .0;
Н = !Н ( х ) гн .(а(х) .0 + 0);
1 =!/' (х ).г7 (¿2( х) .0 + 72 (х) .0 + Т2< х) .0);
(1)
Рис. 1. Упрощенный вид структуры системы, где А - пользователь, B - смежная система формирования исходных данных, С - входные данные, D - блок параллельных вычислений, E - блок расчета, F - блок визуализации, G - выходные данные, H -процесс анализа данных, I - смежная система формирования управляющих параметров
Таким образом, вся модель системы может быть описана в виде следующих ниже выражений:
Р = А | (В | С + 1)| Б | Е | F | О | Н | (А + 0) (2)
Или, подставляя выражения:
соответствующие
Р = !а(х).гА.ф{х).0 + 7(х).0)| (!Ь(х)г.с(х).0|
!с (х ).гс1{х) .0 +!' (х) ,т1(Д( х) .0 + 72{ х) .0 + /2( х) .0))|
^(х),твЩх) 0|71(х).!2(х).Ге./1(х).0|(^_/" 1(х)|/2(х)).Гр.¿(х).0|
!я(х).гаЯ(х).01 (!а(х)гА.(Ь(х).0 + Т(х).0) + 0)
(3)
В качестве элемента модели будем рассматривать процесс - совокупность взаимосвязанных действий, преобразующих входящие данные в исходящие.
Все элементы системы имеют общую концептуальную модель (рис. 2), за исключением двухуровневого элемента, который представляет собой синтез двух алгоритмов (рис. 3).
Представим данную модель в терминах пи-исчисления: или:
А = В = С = Б =
а(х~).Га Ь (х).0; Ь(х")Гвс(х) 0; с ( х ).гс .^(х) .0; d ( х ~).гв .а(х} .0;
(4)
Таким образом, данный элемент может быть записан в виде:
Р = А | В | С | Б |( А + 0)
(5)
P = !а (x).тA .Ь{х) .0|!Ь (x ).. с(х) .0|!с (x).тc Л(х) .0| (x).. .а(х) .010 (x ).. Ь {х) .0 + 0)
О
(6)
Рис. 2. Концептуальная модель элемента Системы распределенного кластерного анализа, где А - процесс изменения, B - процесс кластерного анализа, С - визуализация, D - блок принятия решений
Поскольку двухуровневый элемент состоит из двух процессов, упрощенная
е1^((Б
графоаналитическая модель примет следующий вид (рис. 4):
e2_
Н)н-
Л«-
Рис. 3. Упрощенная графоаналитическая модель двухуровневого элемента, где А - процесс изменения, B - субтрактивный процесс, С - входные данные, D - блок обратной связи, Б - процесс изменения, F - процесс к-шеаш, О- выходные данные, Н - блок обратной связи, I - блок визуализации, I - пользователь
Представим модель в терминах пи-исчисления:
А = !а ( х).. .Ь(х). 0; В = !Ь ( х).. е(х). 0; С = !с ( х).. .(Л( х). 0 + х). 0); В = Л( х ).!1 2( х). .а(х) .0; Е = е1( х) .!е2( х)../(х) .0; ^ = !/ ( х).. .£(х) .0;
0 = ! g (х) . (¡(х) .0 + Цх) .0); Н = !Н ( х) .тн ё2{ х) .0;
1 = и ( х).. .7{х) .0;
7 =!] (х)..12 (х).0;
или:
Таким образом, данный элемент может быть записан в виде:
Р = А | В | С | ((В + 0) + Е)| ^ | О |(Н | (Е + 0) +1 )| 71 (В + 0)
Р = !а(х)хАЬ(х).01 !Ь (х)...с (х).01 !с(х)...(Л(х).0 + е1(х).0) | ((11 (х).! Л2(х). .а (х) .0 + 0) + е1(х).! е2(х)../(х) .0) | !/(х)..^х.01!g(х).(¡(х).0 + Цх).0) | (!А(х).Щх).01 (е1 (х).!е2(х)../(х).0 + 0) +!i (х)...У (х) .0) | ! у (х). 12 (х) .01 (Л (х).! Л 2( х)твм(х) .0 + 0)
(7)
(8)
(9)
Графоаналитическая
модель
параллельных вычислений может
блока представлена в следующем виде (рис.4): быть
ь
с
а
г
Ь
О
Рис.4. Графоаналитическая модель блока параллельных вычислений, где A - смежная система формирования исходных данных, B - процесс запуска параллельного режима, C - исходные данные, D - процесс разбиения данных на параллельные процессы, E,F - параллельные процессы, G - блок визуализации
Представим эту модель в терминах пи-исчисления:
А = а(х).гА .(Ь(х) .0 + с(х) .0);
В = Ь( х).гв Л(х) .0;
С =с( х)гс .Е(х) .0; Б = d (х).гв .(7{х) .0|/(х) .0); О = я (х).(!я1( х)|я 2( х))г .0; Е = !е( х).Ге .Щ1( х) .0; ^ =!/ (х)г -ш 2< х) .0; Таким образом, данный элемент может быть записан в виде:
Р = А | (В + С) | Б |(Е | ^)|(О + 0)
Или:
(10) (11)
(12)
На основе разработанных моделей системы распределенного кластерного анализа представим следующую общую структуру (рис.5).
Р = а(х).гА.(Ь(х).0 + с(х).0) | d(х).гв.(7{х).01 /(х).0) |
(!е( х)Ге .Щ1{ х) .0|!/ ( х).гР ш 2{ х) .0)|( ш( х).(! х)|ш 2( х)).Го .0 + 0)
Рис. 5. Структура системы распределенного кластерного анализа
Все блоки служат для достижения общей цели системы. Цель блока распараллеливания -ускорение получения выходных данных системы. Цель блока расчёта - формирование выходных кластеров. В зависимости от выбранного метода достигается необходимая точность в определенной предметной области. Цель блока визуализации - представление выходных данных в удобной для пользователя форме. Для этого используется несколько различных методов, в совокупности позволяющих предоставить наиболее полную информацию о полученных результатах.
В блоке визуализации использованы следующие методы визуализации:
• График на основе главных компонент.
• График силуэтов кластеров.
• График дендрограмм.
Их возможности по визуализации отображены в табл. 1.
Таблица 1
Блок визуализации
Основные методы визуализации, используемые в системе распределенного кластерного анализа, такие как дендрограмма и силуэты, дают неполное представление о получаемых классах. Силуэты позволяют оценить качество кластеров, но не их состав[6]. Дендрограмма в свою очередь представляет собой дерево, то есть граф без циклов, построенный по матрице мер близости, и позволяет изобразить взаимные связи между объектами из заданного множества[7]. Помимо этого, в случае, когда объекты кластеризации имеют более двух признаков, для удобства восприятия и визуализации необходимо понижать размерность данных. С этой целью реализован метод главных компонент[8] и визуализация кластеров, полученных в результате его применения[9].
Программная реализация. На основе разработанной формальной модели системы распределенного кластерного анализа, в среде МЛТЬЛБ разработан программный
комплекс[10]. В системе МЛТЬЛБ созданы основные формы графического приложения, представленные на рис.6:
И Основное окно Г1—'Н1 ^
К-средни>
I Kobsh Robsh
1 2 Субтрактивный 2 2 2 2 2 2
3 Иерархии ЁСКИИ 2 2 2
4 ФОРЕЛ 2 2 2
5 Двухуров евый(Субтрактивнь й+К-средних} 2 1 2
7 19 4.5000 2 2 1 1
8 24.3000 20 2 2 1 1
9 24.3000 20 2 2 0 1
10 23 17 2 2 0 1
11 2S 18.5000 3 2 0 1
12 18.2000 13.5000 2 2 0 1
13 18.2000 22.5000 2 2 0 1
14 19 4 3 2 0 1
15 18 4.2000 3 2 0 1
16 19 5.3000 2 2 0 1
17 19 4.3000 2 2 0 1
18 16 4 2 2 0 1
19 23 6.5000 3 2 0 1
*-
Рис. 6. Главная форма программного комплекса кластерного анализа
Параллельные вычисления в программном комплексе для встроенных алгоритмов реализованы на основе сценариев -последовательного набора команд встроенного языка программирования MATLAB, записанных в специализированном исполняемом файле сценариев - m-файле.
Для параллельной версии алгоритма ФОРЭЛ[11], ввиду того, что он генерирует разное число классов в разных задачах, выбран режим spmd («одна программа — много данных») [12]. Параллельная версия двухуровневого метода кластерного анализа реализована в режиме parfor (параллельный цикл for). Такой выбор обусловлен тем, что позволяет минимизировать изменения, вносимые в последовательный вариант программы.
Для иерархического кластерного анализа удобным средством визуализации результатов является функция dendrogram, которая выводит дерево дендрограммы (рис.5). Для всех использованных автором методов кластерного анализа можно посчитать величину силуэта и вывести его график (рис.7).
Для удобства визуализации результатов кластеризации в координатах главных компонент используется встроенная в MATLAB функция gscatter. Она реализует график рассеяния двух переменных - двух главных компонент, образующих двумерную систему координат, сгруппированных по значениям третьей переменной - массиву номеров классов, которым принадлежат объекты исходной выборки в соответствии с тем или иным алгоритмом (рис. 8).
График Качество Состав Количество
Дендрограмма + + -
График Силуэта + - +
График главных компонент + +
Рис. 8. Визуализация результатов с использованием главных компонент
Заключение. Представленная формальная модель и программная реализация системы распределенного кластерного анализа была апробирована на группе изделий машиностроительного производства -комплексных деталях[13, 14] и наблюдениям по концентрациям некоторых газов в атмосфере за несколько лет - результатам трехлетнего мониторинга содержания газов SO2 и СО в воздушной атмосфере центрального района г. Санкт-Петербурга [15].
Результаты работы характеризуют разработанную систему как универсальную систему кластерного анализа, которая может быть использована во многих отраслях.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Черняк Леонид. Большие Данные -новая теория и практика (рус.) // Открытые системы. СУБД. М.: Открытые системы, 2011. № 10. С.18-26.
2. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.:
Финансы и статистика, 1989. 607 с.
3. Воеводин В. В., Воеводин Вл. В. Параллельные вычисления. СПб: БХВ-Петербург, 2002. 608 с.
4. Milner R. Communicating and Mobile Systems: the PI-Calculus. Cambridge University Press. 1999, 159 p.
5. Parrow J. An Introduction to the n-Calculus, chapter 8, pages 479-543. Handbook of Process Algebra. Elsevier, 2001.
6. Rouseeuw P. J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. // Journal of Computational and Applied Mathematics. Vol. 20. №. 1. 1987. Pp. 53-65.
7. Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988. 345 с.
8. Jolliffe I.T. Principal Component Analysis, Series: Springer Series in Statistics, 2nd ed., Springer, NY, 2002. №XXIX, 487 p. 28 .
9. Зиновьев А. Ю., Визуализация многомерных данных, Красноярск // Изд. КГТУ, 2000. 180 с.
10.Янчуковский В.Н., Сосинская С.С. Программный комплекс «Система распределенного кластерного анализа», свидетельство о регистрации в реестре программ для ЭВМ №2016615937 от 02 июня 2016 г.
11. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. // Новосибирск: Издательство Института математики, 1999. 270 с.
12.Parallel Computing Toolbox™ 5 User's Guide // The MathWorks, Inc. Natik, 2007, 730 p.
13. Соколовский А. П. «Автоматизация технологических процессов механической обработки металлов», Автомат. и телемех., 1938, № 3. С.117-139.
14.Митрофанов С.П. Научная организация машиностроительного производства. 2-е изд., доп. и перераб. Л. : Машиностроение, 1976. 712 с.
15.Янчуковский В.Н., Сосинская С.С., Козловский А.С., Челибанов В.П. Двухуровневый кластерный анализ в среде
MATLAB с применением параллельных вычислений // Вестник БГТУ им. В.Г. Шухова. Шухова. №5. 2014. С. 201-205.
Yanchukovskiy V.N.
MODEL AND IMPLEMENTATION OF HOMOGENEOUS ATTRIBUTES OBJECTS DISTRIBUTED CLUSTER ANALYSIS SYSTEM
Homogeneous attributes objects distributed cluster analysis system described: basic requirements, blocks and elements, its graphoanalytical and mathematical models. The mathematical model is represented in the Pi-calculus. Its software implementation in Matlab is given. In case of big data, parallel computing is provided. Methods for visualizing the results are presented.
Key words: cluster analysis, parallel computing, computational experiment, PI-calculus.
Янчуковский Владислав Николаевич, старший преподаватель кафедры вычислительной техники. Иркутский национальный исследовательский технический университет Адрес: Россия, 664074, г. Иркутск, ул. Лермонтова 83. E-mail: V.Yanchukovsky@gmail.com