Исследование и модификация алгоритма классификации радиолокационных объектов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Сергина Ирина Геннадьевна

• Сергина Ирина Геннадьевна
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Сергина Ирина Геннадьевна

Введение

Глава 1 Обзор методов решения задачи классификации классов объектов

1.1 Общая структура и задача системы классификации объектов

1.1.1 Структура системы классификации объектов

1.2 Постановка задачи классификации объектов в условиях пересечения классов

1.3. Проблемы классификации при обработке больших объемов постполётных данных

1.4. Способы представления классов радиолокационных объектов

1.5 Способы представления классов объектов в каталоге эталонных значений

1.5.1 Метод к-ближайших соседей

1.5.2 Деревья решений

1.5.3 Метод опорных векторов

1.5.4 Представление в каталоге значений в текущей системе объективного контроля

1.6 Основные математические методы построения систем классификации

1.7 Использование системы счисления в остаточных классах

1.8. Гиперразмерное представление радиолокационных данных

1.8.1 Свойства гиперразмерных двоичных векторов

1.9 Выводы

Глава 2. Разработка методов и алгоритмов классификации радиолокационных данных

2.1 Использование широких нейронных сетей для классификации радиолокационных данных

2.2 Использование алгебры гиперразмерных двоичных векторов для представления данных в широких нейронных сетях

2.3 Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и системы остаточных классов

2.4 Формализация параметрического кодирования

2.5 Представление данных в системе остаточных классов

2. 6 Выводы и результаты

Глава 3 Разработка натурной и математической моделей классификации данных в системе АК РЛДН

3.1 Проектирование программного компонента поддержки системы остаточных

классов

3.2 Проектирование программного компонента поддержки алгебры гиперразмерных векторов

3.3 Проектирование программного компонента обучения широких нейронных сетей

3.4 Выводы по главе

Глава 4 Практическая апробация метода и алгоритмов классификации радиолокационных данных системы объективного контроля постполётной информации

4.1 Наземный комплекс обработки и дешифрирования информации

4.2 Натурное моделирование

4.3 Выводы по главе

Заключение

Перечень принятых сокращений

Список использованных источников

Приложение А. Листинги программ

Приложение Б. Полученные свидетельства

Приложение В. Полученные акты о внедрении

Введение

Одной из важнейших задач контроля над воздушными объектами, является классификация воздушного объекта. Работа оператора может происходить в условиях, не позволяющих дать оценку состоянию объекта управления. Обычно это связано с отсутствием или недостаточным количеством достоверной информации о некоторых свойствах объекта управления или факторов, влияющих на формирование внешней обстановки. При оценке состояния объекта управления для принятия решения часто используются алгоритмы классификации объектов. На практике решение задач классификации объектов проходит в условиях различного рода ограничений в представлении исходных данных, требований к алгоритмической реализации функциональных возможностей и вычислительным средствам.

Для обработки постполётной информации, зарегистрированной радиолокационными комплексами, используются вычислительные системы, которые требуют значительных аппаратных ресурсов и применения алгоритмов параллельной обработки данных.

Актуальность темы. В ходе анализа данных трассовой информации о радиолокационных объектах, невозможно точно и быстро сказать какой именно объект анализируем, например, Миг-29, Ми-8, F-15, А-100 или возможно беспилотный летальный аппарат RQ-11 Raven. Актуальной проблемой является точная классификация целей.

Современные вычислительные системы обработки данных используются в различных отраслях для анализа и обработки данных. К таким системам относится наземный комплекс обработки и дешифрирования информации (НКОД) для авиационного комплекса радиолокационного дозора и наведения (АК РЛДН), разработка которого ведется в настоящее время АО «НПП «Рубин» совместно с концерном радиостроения «Вега».

Существующие методики могут классифицировать крупные классы объектов между собой. Наиболее эффективным решением этой задачи является разработка методики, которая бы позволяла не только определять крупные классы объектов, но и повысить точность классификации радиолокационного объекта. В целом, исследование и модификация алгоритмов классификации радиолокационных объектов являются актуальной и важной задачей. Разработанные методы могут быть использованы в различных областях, таких как навигация, метеорология, военная сфера и другие, для повышения точности и эффективности обработки радиолокационных данных.

Имеется ряд проектов Российских и зарубежных исследователей в классификации радиолокационных объектов. В основе настоящего исследования лежат результаты работ в области: теории вычислительных методов для математического моделирования (Bar-Shalom Y., Fortmann T.E. Tracking, Willett P.K., Tian X.), методы отслеживания маневрирующих целей без учёта неопределённости источника измерения (Li X.R., Jilkov V.P.), теории цифровой обработки радиолокационной информации (Кузьмина С.З., А.М. Бочкарев, А.Н. Юрьев, М.Н. Долгов, А.В. Щербинин), создание и применение АК РЛДН (В.С. Верба, В.И. Меркулов), методы траекторной обработки (Ю.М.Казаринова).

Целью диссертационной работы является исследование и модификация алгоритма классификации радиолокационных объектов для авиационных комплексов радиолокационного дозора и наведения, обеспечивающих уменьшение временных затрат и повышение точности классификации.

Для достижения поставленной цели требуется получить следующие научно обоснованные технические решения:

1. Создание подкласса параметров радиолокационных объектов, позволяющих построить модели постполётных данных объектов.

2. Разработать методику классификации радиолокационных объектов

3. Разработка и апробация математической модели классификации радиолокационных данных для системы АК РЛДН с использованием

гиперразмерных векторов, позволяющей исследовать точность опредления классификации данных.

Объектом исследования являются постполётные данные радиолокационных объектов в системе АК РЛДН.

Предметом исследования является модель процесса классификации постполётной информации в системе АК РЛДН методом гиперразмерного кодирования радиолокационной информации с использованием модулярной арифметики.

Методы исследования. В данной работе исследования базируются на алгебре множеств и исчислении предикатов, методах машинного обучения, вычислительных методов алгебры гиперразмерных двоичных векторов с использованием модулярной арифметики.

Научная новизна разрабатываемой системы заключается в:

1. Разработан метод классификации радиолокационных, использующий широкие нейронные сети, позволяющий повысить точность классификации в 1.5 эффективнее по сравнению с существующими методами классификации радиолокационных объектов, за счёт представления данных в виде гиперразмерных двоичных векторов.

2. Синтезирована модель с использованием предложенного метода классификации радиолокационных объектов, использующая бинарный подход к классификации, что позволяет синтезировать для каждого объекта свою нейросетевую модель, существенно упрощая добавление новых объектов для классификации.

3. Разработана методика гиперразмерного кодирования радиолокационной информации, использующая модулярную арифметику, в частности систему остаточных классов, при кодировании значений радиолокационных данных в гиперразмерном виде.

Проведена апробация результатов, показавшая что представление радиолокационной информации, позволяет снизить размерность нейросетевой

модели без ощутимого снижения точности классификации, что даёт возможность существенно сократить вычислительные ресурсы и/или время обучения модели.

Теоретическая значимость исследования обусловлена тем, что разработан и формализован новый подкласс параметров радиолокационных объектов, который позволяет строить гиперразмерную модель радиолокационных данных и с ее помощью производить классификацию постполетных данных для системы АК РЛДН.

Практическая ценность работы исследования заключается в том, что предложенные методы и методики классификации радиолокационных объектов могут быть использованы при проектировании радиолокационных аппаратно-программных комплексов гражданского и двойного назначения для повышения точности классификации объектов с использованием данных комплексов без существенного изменения применяемых в них аппаратных решений. Результаты работы позволили улучшить обработку данных в наземном комплексе обработки и дешифрирования информации (НКОД), используемых для обработки постполётной информации, регистрируемой АК РЛДН, что подтверждается актом внедрения результатов исследования диссертационной работы.

Определены границы практического применения результатов исследования. Описаны условия, которым должны соответствовать системы, чтобы исследовать их с помощью предложенного в диссертации подхода. Это класс систем обработки постполётных данных, то есть данных, которые были зарегистрированы и не изменяются после регистрации, а их обработка должна выполняться за ограниченный промежуток времени.

Область исследования согласно паспорту специальности 2.3.8 -Информатика и информационные процессы:

— Разработка компьютерных методов и моделей описания, оценки и оптимизации информационных процессов и ресурсов, а также средств анализа и выявления закономерностей на основе обмена информацией пользователями и возможностей используемого программно-аппаратного обеспечения (п. 1).

— Разработка методов обработки, группировки и аннотирования информации, в том числе, извлеченной из сети интернет, для систем поддержки принятия решений, интеллектуального поиска, анализа (п.7).

— Разработка систем принятия решения на основе баз данных и знаний, реализующих имитационные модели прогнозирования изменения материальных процессов и событий (п.8).

— Разработка и применение методов распознавания образов, кластерного анализа, нейросетевых и нечётких технологий, решающих правил, мягких вычислений при анализе разнородной информации в базах данных (п. 13).

Основные результаты, выносимые на защиту:

1. Метод классификации радиолокационных, использующий широкие нейронные сети, который позволяет повысить точность (в 1,5 %) классификации по сравнению с существующими методами классификации радиолокационных объектов.

2. Синтезированая модель с использованием предложенного метода классификации радиолокационных объектов, которая использует бинарный подход к классификации, что позволяет синтезировать для каждого объекта свою нейросетевую модель.

3. Методика гиперразмерного кодирования радиолокационной информации, которая использует модулярную арифметику, в частности систему остаточных классов, при кодировании континуальных значений радиолокационных данных в гиперразмерном виде.

Достоверность научных положений обеспечивается корректным применением существующих методов и согласованностью теоретического обоснования предложенных методов с результатами их апробации, проведенной с

использованием разработанных методов. Результаты, полученные в диссертационном исследовании, были внедрены в системы НКОД для комплекса А-100, опубликованы в научных изданиях, прошли апробацию на

международных и всероссийских научных конференциях, на разработанные методы получены соответствующие охранные документы.

Реализация и внедрение результатов диссертационной работы

Диссертационная работа выполнялась в рамках научно-исследовательских работ, проводимых в Пензенском государственном технологическом университете, и внедрялась в ходе выполнения опытно-конструкторских работ в АО «НПП «Рубин», г. Пенза. Акт внедрения:

- Наземный комплекс обработки и дешифрирования информации для самолётов А-100 - «ПРЕМЬЕР-НКОД» АО «НПП «РУБИН».

Введение диссертации (часть автореферата) на тему «Исследование и модификация алгоритма классификации радиолокационных объектов»

Апробация работы

Результаты работы докладывались и обсуждались на следующих конференциях:

• Global Smart Industry Conference, Челябинск, 2018.

• VI Всероссийская межвузовская научно-практическая конференция " Информационные технологии в науке и образовании. проблемы и перспективы", Пенза 2019.

• XIII Международная научно-практическая конференция «Результаты фундаментальных и инновационных исследований технических и физико-математических наук», г. Уфа, 2019.

• VII Ежегодной всероссийской межвузовской научно-практической конференции «Информационные технологии в науке и образовании. Проблемы и перспективы», Пенза 2020.

• IV Всероссийская межведомственная научно-техническая конференция «Информационно- управляющие, телекоммуникационные системы, средства поражения и их техническое обеспечение», 2022.

Также основные результаты работы докладывались на ежегодных конференциях проводимых « ОАО « НПП Рубин» и в Пензенском государственном университете.

Публикации. По результатам исследования опубликовано 16 научных работ, в том числе 5 статьи, рецензируемых в научных изданиях, рекомендованных ВАК при Минобрнауки России, 3 статьи, индексируемых в наукометрических базах Scopus и Web of Science. Получены 5 свидетельств о государственной регистрации программ для ЭВМ. Все результаты, составляющие содержание диссертации, получены автором самостоятельно.

Личный вклад соискателя состоит в анализе данного направления, в постановке задач с использованием практического опыта автора и решении этих задач с применением передовых достижений наук и техники. Автор принимал непосредственное участие в практических и научных исследованиях по разработке методов классификации радиолокационных объектов для авиационных радиолокационных комплексов, по результатам которого было получено 5 свидетельств для ЭВМ. На основе методик, алгоритмов, предложенных в диссертационном исследовании, автором был разработан программный компонент для классификации радиолокационных данных разрабатываемого авиационного комплекса А-100, что подтверждается актом о внедрении результатов диссертационного исследования.

Глава 1 Обзор методов решения задачи классификации классов объектов 1.1 Общая структура и задача системы классификации объектов 1.1.1 Структура системы классификации объектов

Систему классификации можно представить в упрощенном виде, приведенном на рисунке 1.1. «Цель работы системы распознавания образов заключается в том, чтобы на основе собранной информации определить класс объектов с характеристиками, аналогичными измеренным у распознаваемых объектов» [1].

Данные Оценка Результаты Формирование и Множество Решение задачи Классы

создание признаков признаков

Рисунок 1.1 - Структурная схема системы классификации о бъектов

Входные данные, которые необходимо классифицировать, подаются оценке с целью их преобразования в необходимый для следующего этапа вид и для выделения из них необходимых характерных параметров (признаков). На этапе формирования и создания признаков решается задача создания формализованного описания объектов анализа, пригодного для использования алгоритмами классификации. Блоки « Оценка» и « Формирование и создание признаков» зависят от предметной области системы классификации. Блок «Решение задачи» оперируют лишь множеством признаков объектов. Решение задачи строится на основе методов классификации, где множество признаков обрабатываются и соотносятся к соответствующему классу. В рамках данной работы рассматриваются вопросы, охватывающие алгоритмическую организацию решения задачи классификации объектов по их признакам.

1.2 Постановка задачи классификации объектов в условиях пересечения классов

Задача классификации объектов в условиях пересечения классов характеризуется следующими особенностями:

1) на вход классификатора в реальном времени с определённой периодичностью поступает множество N векторов признаков одновременно наблюдаемых объектов X; каждый объект характеризуется значениями признаков хи ¡=1,...,Ы (вектор признаков); количество разновидностей объектов - десятки-сотни;

2) эталонные значения известных классов характеризуются параметрической неопределённостью, которая обусловлена отсутствием достоверной информации о значениях параметров известных классов объектов, неполным перечнем всех возможных классов, а также ограниченной точностью измерения параметров объектов; поэтому в каталоге эталонных значений известных классов для каждого параметра любого класса вводится допустимый интервал;

3) в связи с тем, что классы в каталоге эталонных значений представлены допустимыми интервалами, существует возможность их пересечения, а следовательно, не исключена ситуация отнесения объекта классификации к б олее, чем одному классу;

4) используемая методология решения задачи классификации должна характеризоваться возможностью оптимизации в получаемых оценках вероятностей принадлежности объектов к соответствующим классам;

5) каталог эталонных значений классов содержит неполный перечень всех возможных классов, в связи с чем необходимо в непрерывном процессе выявлять закономерности возникновения неизвестных ( новых) объектов с целью дополнения указанного каталога (например, в автоматизированном режиме работы системы с привлечением оператора-эксперта).

Необходимость решения задачи классификации, соответствующей указанным требованиям, возникает при классификации радиолокационных объектов в том числе и системами авиационного комплекса радиолокационного дозора и наблюдения (АК РЛДН) [2].

В России последние несколько лет ведётся разработка межвидового авиационного комплекса разведки, оповещения и управления (МАК РОУ, изделие

А-101 « Премьер»), являющегося пятым поколением самолётов дозора оперативно-стратегического назначения, отличающимся не только функциями землеобзора, но и введением требований по управлению большой н оменклатурой летательных аппаратов истребительной, штурмовой, бомбардировочной, специальной и армейской авиации [3]. Комплексы МАК РОУ являются новым этапом развития техники и могут применяться как по баллистическим, воздушным, так и по наземным и морским целям. Концепция их построения учитывает современные требования по применению для решения задач разведывательно-информационного обеспечения и управления сил и средств не одного, а нескольких видов Вооруженных сил (ВВС, ВМФ, СВ). Обеспечение взаимодействия комплекса с разнородными потребителями предъявляет жесткие требования к информативности и типам обнаруживаемых целей. Эти требования могут быть реализованы только за счёт использования при разработке новых технологий [4]. Предшественником такого комплекса можно считать комплекс самолёта А-50, изображённого на рисунке 1.2.

Рисунок 1.2 - Самолёт А-50

В разрабатываемом А-100 количество трасс возросло в десятки раз, увеличился количественный состав расчёта боевого управления, была введена

распределённая обработка и документирование информации, что увеличило её объем до нескольких десятков гигабайт. Рассматривается возможность увеличения этого показателя до нескольких терабайт. Распределённая обработка определила и новый тип структур, документируемых в системах А-100 - это организация данных, структура и количество повторений которой зависит от её внутреннего состава. В соответствии со своим назначением сообщения подразделяются на различные типы. Тип сообщения определяет структуру формуляра и входит в его состав в виде соответствующего кода формуляра. Это делает необходимым разработку методов и алгоритмов анализа зарегистрированной информации [5].

1.3. Проблемы классификации при обработке больших объемов постполётных данных

Разрабатываемая система представляет собой аппаратно- программный комплекс, который способен обрабатывать постполётную информацию, зарегистрированную АК РЛДН, в различной форме.

Наиболее долгими этапами обработки данных являются загрузка данных из файлов с БУРа, их предварительная обработка и запись в базу данных.

Зарегистрированная информация с бортового устройства регистрации на съемном твердотельном накопителе переносится на наземный комплекс обработки и дешифрирования информации (НКОД), который и представляет собой систему обработки постполётной информации АК РЛДН (рисунок 1.3). При этом этапе происходит чтение информации из файлов в виде кодограмм различных типов (датаграмм специального вида), их предварительная обработка и запись всей необходимой информации в БД НКОД.

Рисунок 1.3 - Перенос информации с БУР на НКОД Большой объём обрабатываемых данных при загрузке данных с БУР в БД НКОД классифицировался в прошлых реализациях проекта внутреннем алгоритмом классификации данных с помощью каталога эталонных значений, который не показал высокую эффективность при классификации радиолокационных объектов, поэтому было принято решение о создании метода классификации радиолокационного объекта с повышенной точностью.

1.4. Способы представления классов радиолокационных объектов Каталог эталонных значений используется для хранения информации о параметрах классов объектов. В случае решения задачи классификации экспертной системой, данный каталог выступает в качестве базы з наний. Рассмотрим принципиальные методы задания образов внутри класса. 1. Задание образов путем их перечисления

Класс задаётся перечислением трасс с набором признаков. Автоматическое распознавание образов предполагает сравнение с эталоном. В систему распознавания вносится набор признаков, принадлежащих одному классу. В случае появления новых образов происходит последовательное сравнение их с ранее вносимыми. Система распознавания сопоставляет новый образ с хранящимся в памяти классом. Достоинство данного метода в возможности создавать недорогие системы распознавания, но метод будет показывать низкую вероятность ошибки лишь в том случае, если выборка образов почти идеальная. Недостаток метода заключается в том, что невозможно задать все значения множества трасс из-за большого числа элементов [6].

2. Задание образов на основе их общности

Основная задача метода заключается в выделении списка общих свойств признаков по выборке образов, для которых известно, что они принадлежат классу. Класс задаётся с помощью общих признаков для всех входящих объектов. Автоматическое распознавание образов предполагает выделение подобных признаков. Плюс этого метода: требуется значительно меньше памяти для запоминания признаков класса, чем для хранения всех объектов, входящих в этот класс. Минусом метода является то, что образы, которые принадлежат одному и тому же классу, имеют несколько общих свойств. Трудоёмко найти полный ряд отличающих признаков для класса [7].

3. Задание образов с помощью кластеризации

Данный метод рассматривает каждый элемент класса как кластер, когда образы класса являются вектором, компоненты которого - действительные числа. Автоматическое распознавание образов предполагает взаимное пространственное расположение отдельных кластеров. Кластеры могут располагаться далеко друг от друга, в таком случае подходит классификация по принципу минимального расстояния [8,9]. Также есть вариант, что кластеры будут пересекаться, такое возможно из-за неполной или искаженной информации. В таком случае можно воспользоваться методом разбиения пространства образов [10].

Достоинство данного метода в том, что возможно производить разбиение объектов по набору, а не одному параметру. Также этот метод позволяет рассматривать большой объём информации и сокращать массивы, делая их более компактными и наглядными. К недостаткам кластеров можно отнести то, что от выбранных критериев разбиения зависит количество кластеров [11]. При сокращении массива данных есть вероятность появления искажений, а также могут быть утрачены свойства объектов за счёт их замены обобщённым значением [12].

Описанные выше способы определения классов объектов имеют место при формировании каталога классов в том случае, если имеется достоверная информация о параметрах известных классов. В случае отсутствия данной

информации параметры классов в каталоге могут быть представлены не в виде конкретных значений, с которыми нужно проводить сравнение параметров, поступивших в обработку данных, а в виде допустимых интервалов. При таком представлении данных каталога велика вероятность наличия перекрывающихся допустимых интервалов. Анализ таких объектов является сложной и трудоёмкой работой для оператора из-за того, что большое количество радиолокационных объектов и условия работы оператора не позволяют правильно и корректно оценить объект управления из- за недостатка достоверной информации о свойствах радиолокационного объекта. Алгоритмы классификации объектов используют в разных областях при анализе их свойств.

1.5 Способы представления классов объектов в каталоге эталонных значений

Классификация данных с помощью эталонных объектов заключается в сравнении новых объектов с уже известными, чтобы определить их принадлежность к определённому классу. Для этого используются различные методы, рассмотрим их подробнее.

1.5.1 Метод k-ближайших соседей

Метод ближайшего соседа (k- nearest neighbors) является одним из самых простых и интуитивно понятных методов классификации данных. Этот метод основан на сравнении нового объекта с набором эталонных объектов и определении того, к какому классу относится ближайший объект.

Типичным представителем методов классификации, использующих эту логику, является метод k- ближайших соседей — k- nearest neighbors algorithm. Метод был впервые разработан Эвелином Фиксом и Джозефом Лоусоном Ходжесом в 1951 году, и позднее развит Томасом Ковером.

Метод относится к классу непараметрических, то есть не требует предположений о том, из какого статистического распределения была сформирована обучающее множество. Следовательно, классификационные модели, построенные с помощью метода k- ближайших соседей, также будут

непараметрическими. Это означает, что структура модели не задаётся жёстко изначально, а определяется данными.

Поскольку признаки, на основе которых производится классификация могут иметь различную физическую природу и, соответственно, диапазоны значений, для улучшения результатов классификации будет полезно выполнить нормализацию обучающих данных.

Пусть имеется набор данных = 1,...,п.), состоящий из п наблюдений,

для каждого из которых задан класс = 1, ,..,ш). Тогда на его основе может

быть сформировано обучающее множество, все примеры которого представляют собой пары Х^, С.

Алгоритм к-ближайших соседей можно разделить на две простые фазы: обучения и классификации. При обучении алгоритм просто запоминает векторы признаков наблюдений и их метки классов (примеры). Также задаётся параметр алгоритма к, который задаёт число «соседей», которые будут использоваться при классификации. Схематично метод к-ближайших соседей представлен на рисунке 1.4.

А А

\ / \ /

Рисунок 1.4 - метод к-ближайших соседей

На фазе классификации предъявляется новый объект, для которого метка класса не задана. Для него определяются к ближайших предварительно классифицированных наблюдений. Затем выбирается класс, которому принадлежит большинство из к ближайших соседей, и к этому же классу относится классифицируемый объект [13].

В простейшем случае класс нового объекта может быть определён простым выбором наиболее часто встречающегося класса среди к примеров. Однако на практике это не всегда удачное решение, например, в случае, когда частота появления для двух или более классов оказывается одинаковой. Кроме этого, разумно предположить, что не все обучающие имеют одинаковую з начимость для определения класса. В этом случае используют некоторую функцию, с помощью которой определяется класс, называемую функцией сочетания.

В обычном случае используют так называемое простое невзвешенное голосование. При этом предполагается, что все к примеров имеют одинаковое право «голоса» независимо от расстояния до классифицируемого объекта.

Однако логично предположить, что чем дальше пример расположен от классифицируемого объекта в пространстве признаков, тем ниже его значимость для определения класса. Поэтому для улучшения результатов классификации вводят взвешивание примеров в зависимости от их удалённости. В этом случае используют взвешенное голосование.

В основе идеи взвешенного голосования лежит введение «штрафа» для класса, в зависимости от того, насколько относящиеся к нему примеры удалены от классифицируемого объекта. Такой «штраф» представляется как сумма величин, обратных квадрату расстояний от примера го класса до классифицируемого объекта (показатель близости), представленный в (1).

где £> - оператор вычисления расстояния; х - вектор признаков классифицируемого объекта; а^ - 1-й пример '-го класса.

Таким образом, будет выбран класс, для которого величина кажется

наибольшей. При этом также снижается вероятность того, что классы получат одинаковое число голосов.

Выбор параметра к является важным для получения корректных результатов классификации. Если значение параметра мало, то возникает эффект переобучения, когда решение по классификации принимается на основе малого числа примеров и имеет низкую значимость. Это похоже на переобучение в деревьях решений, когда в них много правил, относящихся к небольшому числу примеров. Если установить к=1, то алгоритм будет просто присваивать любому новому наблюдению метку класса ближайшего объекта.

Кроме этого, следует учитывать, что использование небольших значений к увеличивает влияние шумов на результаты классификации, когда небольшие изменения в данных приводят к большим изменениям в результатах классификации. Но при этом границы классов оказываются более выраженными ( класс при голосовании побеждает с большим счётом).

И наоборот, если значение параметра слишком велико, то в процессе классификации принимает участие много объектов, относящихся к разным классам. Такая классификация оказывается слишком грубой и плохо отражает локальные особенности набора данных. Таким образом, выбор параметра к является компромиссом между точностью и обобщающей способностью м одели.

При больших значениях параметра к уменьшается зашумленность результатов классификации, но снижается выраженность границ классов.

В задачах бинарной классификации бывает целесообразно выбрать к как нечётное число, так как это позволяет избежать равенства «голосов» при определении класса для нового наблюдения.

Особенности работы алгоритма

Если значения признаков непрерывные, то в качестве меры расстояния между объектами обычно используется расстояние Евклида, а если категориальные, то может использоваться расстояние Хэмминга.

Алгоритм ближайшего соседа является чувствительным к дисбалансу классов в обучающих данных: алгоритм «склонен» к смещению решения в сторону доминирующего класса, поскольку относящиеся к нему объекты просто чаще попадают в число ближайших соседей. Одним из способов решения данной проблемы является применение различных способов взвешивания при « голосовании».

Следует отметить, что отношение соседства не является коммутативным, ситуация представлена на рисунке 1.5.

Рисунок 1.5 - Обратное соседство

Ещё одной проблемой данного метода, характерной, впрочем, и для большинства методов классификации, является различная значимость признаков с точки зрения определения класса объектов. Учёт фактора значимости признаков в алгоритме может позволить повысить точность классификации.

Для этого аналитик или эксперт на основе субъективной, либо некоторой формальной оценки может задать уровень значимости признака, выразив его с помощью числового коэффициента (обозначим его s), который учитывается при вычислении расстояния между примерами и классифицируемым объектом, представлен на (2).

где яе(1 = 1... р) - коэффициент значимости для /-го признака, р - количество признаков исходного набора данных.

Такой способ называется «растяжение осей», и он позволяет увеличить или уменьшить вклад признака в вычислении расстояния от примера до классифицируемого объекта.

Если 5г > 1, то благодаря соответствующему признаку расстояние между примером классифицируемым объектом растет, и вклад в определение класса падает. Если 0 < 5г < 1, то наоборот [14].

Достоинства и недостатки алгоритма

Рассмотрим достоинства и недостатки метода ближайших с оседей [15].

К достоинствам алгоритма можно отнести:

• устойчивость к выбросам и аномальным значениям, поскольку вероятность попадания содержащих их записей в число к-ближайших соседей мала. Если же это произошло, то влияние на голосование (особенно взвешенное) также, скорее всего, будет незначительным, и, следовательно, малым будет и влияние на результаты классификации;

• программная реализация алгоритма относительно проста;

• результаты работы алгоритма легко поддаются интерпретации. Логика работы алгоритма понятна экспертам в различных областях.

К недостаткам метода ближайших соседей можно отнести:

• данный метод не создаёт каких- либо моделей, обобщающих предыдущий опыт, а интерес могут представлять и сами правила классификации;

• при классификации объекта используются все доступные данные, поэтому метода ближайших соседей является достаточно затратным в вычислительном плане, особенно в случае больших объёмов данных;

• высокая трудоёмкость из-за необходимости вычисления расстояний до всех примеров;

• повышенные требования к репрезентативности исходных данных.

1.5.2 Деревья решений

Деревья решений являются одним из наиболее эффективных инструментов интеллектуального анализа данных и предсказательной аналитики, которые позволяют решать задачи классификации и регрессии.

Они представляют собой иерархические древовидные структуры, состоящие из решающих правил вида «Если ..., то ...».

Поскольку правила в деревьях решений получаются путём обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область, то по аналогии с соответствующим методом логического вывода их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.

В обучающем множестве для примеров должно быть задано целевое значение, т.к. деревья решений являются моделями, строящимися на основе обучения с учителем. При этом, если целевая переменная дискретная (метка класса), то модель называют деревом классификации, а если непрерывная, то деревом регрессии.

Основополагающие идеи, послужившие толчком к появлению и развитию деревьев решений, были заложены в 1950-х годах в области исследований моделирования человеческого поведения с помощью компьютерных систем. Среди них следует выделить работы К. Ховеленда « Компьютерное моделирование мышления» [16] и Е. Ханта и др. «Эксперименты по индукции» [17].

Дальнейшее развитие деревьев решений как самообучающихся моделей для анализа данных связано с именами Джона Р. Куинлена [18,19], который разработал алгоритм ID3 и его усовершенствованные модификации С4.5 и С5.0, а так же Лео Бреймана [20], который предложил алгоритм CART и метод случайного леса.

Дерево решений — это метод представления решающих правил в иерархической структуре, состоящей из элементов двух типов — узлов и листьев. В узлах находятся решающие правила и производится проверка соответствия примеров этому правилу по какому-либо атрибуту обучающего м ножества.

В простейшем случае, в результате проверки, множество примеров, попавших в узел, разбивается на два подмножества, в одно из которых попадают примеры, удовлетворяющие правилу, а в другое — не удовлетворяющие.

Затем к каждому подмножеству вновь применяется правило и процедура рекурсивно повторяется пока не будет достигнуто некоторое условие остановки алгоритма. В результате в последнем узле проверка и разбиение не производится, и он объявляется листом. Лист определяет решение для каждого попавшего в него примера. Для дерева классификации — это класс, ассоциируемый с узлом, а для дерева регрессии — соответствующий листу модальный интервал целевой переменной.

Таким образом, в отличие от узла, в листе содержится не правило, а подмножество объектов, удовлетворяющих всем правилам ветви, которая заканчивается данным листом.

Очевидно, чтобы попасть в лист, пример должен удовлетворять всем правилам, лежащим на пути к этому листу. Поскольку путь в дереве к каждому листу единственный, то и каждый пример может попасть только в один лист, что обеспечивает единственность решения.

Основная сфера применения деревьев решений — поддержка процессов принятия управленческих решений, используемая в статистике, анализе данных и машинном обучении. Задачами, решаемыми с помощью данного аппарата, являются [21]:

• Классификация — отнесение объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.

• Регрессия (численное предсказание) — предсказание числового значения независимой переменной для заданного входного вектора.

• Описание объектов — набор правил в дереве решений позволяет компактно описывать объекты. Поэтому вместо сложных структур, о писывающих объекты, можно хранить деревья решений.

Список литературы диссертационного исследования кандидат наук Сергина Ирина Геннадьевна, 2023 год

Список использованных источников

1. Гонсалес Р. Принципы распознавания образов / Гонсалес Р. Дж.Ту // -М.: Мир, 1978

2. Гришков А.Ф. Классификация образов радиотехнических сигналов. / А.Ф. Гришков, А.А. Кулаков, В.Ф. Шпак // Вопросы специальной радиоэлектроники. Вып. 2. - Москва - Таганрог, 2009.

3. Верба В. Анализ состояния и тенденций развития бортовых РЛС авиационных комплексов радиолокационного дозора и наведения.

4. Верба В.С., Меркулов В.И., Гандурин В.А. Живучесть авиационных комплексов радиолокационного дозора и наведения // Информационно-измерительные и управляющие системы. 2008. Т. 6. № 3.].

5. Волчихин В.И., Пащенко Д.В. Алгоритмы анализа действий операторов радиотехнического комплекса в наземной системе обработки информации // Инфокоммуникационные технологии. 2012. Т. 10. № 2.

6. Васильев В. И. Распознающие системы. Справочник. — К.: Наукова думка, 1983. — 422 с.

7. Чабан Л.Н., теория и алгоритмы распознавания. Учебное пособие. Москва, 2004. - 70 с.

8. Капралов Е.Г., Кошкарев А.В., Тикунов В.С. и др.. Под ред. В.С. Тикунова. Геоинформатика. Учеб. пособие для студ. вузов /. — М.: Издательский центр «Академия», 2004. — 352 с.

9. Барабаш Ю. Л., Зиновьев Б. В Вопросы статической теории распознавания. — М.: Сов. радио, 1967. — 400 с.

10. Фисенко В.Т., Фисенко Т.Ю., Методы компьютерной обработки изображений: учеб. пособие,- СПб: СПбГУ ИТМО, 2009. -с.132.

11. Горелик О. Л., Скрипкин В. А. Методы распознавания. — 2 изд. — М.: Высшая школа, 1986. — 208 с.

12. Буреева Н.Н. Многомерный статистический анализ с использованием ППП "STATISTICA" / Н.Н. Буреева. — Нижний Новгород, 2007. - 114 с.

13. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999.

14. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989.

15. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. — Springer, 2001.

16. Hovland, C. I. (1960). Computer simulation of thinking. American Psychologist, 15(11), 687-693.

17. Hunt, Earl B.; Janet Marin; Philip J. Stone (1966). Experiments in Induction. New York: Academic Press. ISBN 978-0-12-362350-8.

18. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1):81-

106.

19. Quinlan, J. Ross. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.

20. Breiman, Leo, J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Wadsworth, Belmont, CA, 1984.

21. Murthy, S. Automatic construction of decision trees from data: A Multi-disciplinary survey.1997.

22. Buntine, W. A theory of classification rules. 1992.

23. Machine Learning, Neural and Statistical Classification. Editors D. Mitchie et.al. 1994.

24. Шеннон, К. Работы по теории информации и кибернетике. М. Иностранная литература, 1963.

25. Епископ, «Распознование образов и машинное обучение»

26. Алекс Дж. Смола, Бернхард Шёлкопф « Архив статистики и вычислений», Том 14, выпуск 3, 2004, с.199-222

27. Загоруйко Н.Г. Методы распознавания и их применение / Н.Г. Загоруйко // -М.: Советское радио, 1972.

28. Дорогов А.Ю. Теория и проектирование быстрых перестраиваемых преобразователей и слабосвязанных нейронных сетей. -СПб.: Политехника, 2014.

- 344 с.

29. Сергина И.Г., Турыгин И.Г., Мещанов С.В. « Предложения по использованию гиперразмерных векторов в интересах решения задачи классификации радиолокационных объектов», в сборнике: IV Всероссийская межведомственная научно- техническая конференция « Информационно-управляющие, телекоммуникационные системы, средства поражения и их техническое обеспечение», с. 142-147, 2022.

30. Ципкин Я.З. Системы управления, Издательство «Наука», Москва, 1973.

- 269 с.

31. Гаврилович Н. В., Сейтвелиева С.Н. Методы распознавания речи и их классификация. Таврический научный обозреватель №6 (11), 2016. — а 206 - 212

32. Тупиков В.А., Павлова В.А., Крюков С.Н., Созинова М.В., Шульженко П.К., Лингвистические метода в задачах распознавания изображений. Известия ТулГУ. Технические науки. 2015. Вып. 11. Ч.2., с. 28 - 37.

33. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации//Проблемы кибернетики. -1978. -Вып. 33. - а 568.

34. Комарцова Л.Г. Нейрокомпьютеры / Л.Г. Комарцова, А.В. Максимов // -М.: МГТУ им. Н.Э. Баумана, 2004.

35. Горбань А.Н. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. // -Новосибирск: Наука. Сибирское предприятие РАН, 1998.

36. Миркес Е.М. Нейрокомпьютер. Проект стандарта. / Е.М. Миркес // — Новосибирск: Наука, 1999.

37. Горбань А.Н. Обучение нейронных сетей. / А.Н. Горбань // -М.: СССР-США СП «ПараГраф», 1990.

38. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». / П.Г. Круг // - М.: Издательство МЭИ, 2002.

39. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения. Вестник Южно- Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, 2016 - с. 15-24.

40. Акушский И. Я. Машинная арифметика в остаточных классах / И. Я. Акушский, Д. И. Юдицкий. - М.: Советское радио, 1968. - 440 с.

41. Szabo N., Tanaka R. Residue Arithmetic and Its Applications to Computer Technology. New York, NY, USA: McGraw Hill, 1967, 236p.

42. Kanerva P. Hyperdimensional computing: an introduction to computing in distributed representation with high- dimensional random vectors / Kanerva P. // Cognitive Computation - 2009. - Т. 1 - № 2 - С.139-159.

43. Pashchenko D.V. Search for a substring of characters using t he theory o f n on-deterministic finite automata and vector-character architecture / Pashchenko D.V., Trokoz D.A., Martyshkin A.I., Sinev M.P., Svistunov B.L. // Bulletin of Electrical Engineering and Informatics - 2020. - № 9(3) - С. 1238-1250.

44. Kleyko D. Modification of holographic graph neuron using s parse d istributed representations / Kleyko D., Osipov E., Rachkovskij D. A // Procedia Computer Science - 2016. - Т. 88 - С.39-45.

45. Imani M. Hierarchical hyperdimensional computing for energy efficient classification / Imani M., Huang C., Kong D., Rosing T. // 2018 55th ACM/ESDA/ IEEE Design Automation Conference (DAC) - 2018. - С.1-6.

46. Мазилкин Д.С. Применение HDR векторов для анализа текста / Мазилкин Д.С., Трокоз Д.А. // Информационные технологии в науке и образовании. Проблемы и перспективы. Сборник научных статей Всероссийской межвузовской научно-практической конференции. Под редакцией Л.Р. Фионовой - 2018. - С.99-100.

47. Dmitry V. Pashchenko, Dmitry A. Trokoz, Irina G. Sergina, Elena A. Balzannikova "Methods for the classification of radar objects", Independent Journal of Management & Production, 2021

48. Трусов Е.В. HDR векторы и их применение в самообучающихся сетях / Трусов Е.В., Трокоз Д.А. // Информационные технологии в науке и образовании. Проблемы и перспективы. Сборник научных статей Всероссийской межвузовской научно-практической конференции. ПодредакциейЛ.Р. Фионовой - 2018. - Т. 117-118.

49. Karlgren J. High-dimensional distributed semantic spaces for utterances / Karlgren J., Kanerva P. // Natural Language Engineering - 2019. - Т. 25 - № 4 -С.503-517.

50. Ivanov A.I. High-dimensional neural-network artificial intelligence capable of quick learning to recognize a new smell, and gradually expanding the database / Ivanov A.I., Kulagin V.P., Kuznetsov Y.M., Chulkova G.M., Ivannikov A.D. // Third International Conference on Digital Information Processing, Data Mining, and Wireless Communications (DIPDMWC) - 2016. - С.332-335.

51. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей / Созыкин А. В. // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика - 2017. - Т. 6 - № 3 - С.28-59.

52. Рогаль А. А. Применение методов глубокого обучения в задаче распознавания изображений / Рогаль А. А. // In Situ - 2016. - № 6 - С.13-17.

53. Сенов А. А. Глубокое обучение в задаче реконструкции суперразрешения изображений / Сенов А. А. // Стохастическая оптимизация в информатике - 2017. - Т. 13 - № 2 - С.38-57.

54. Khan S. A guide to convolutional neural networks for computer vision / Khan S., Rahmani H., Shah S. A. Ali, Bennamoun M. // Synthesis Lectures on Computer Vision - 2018. - Т. 8 - № 1 - С.1-207.

55. Gopalakrishnan K. Deep convolutional neural networks with transfer learning for computer vision-based data-driven pavement distress detection / Gopalakrishnan K.,

Khaitan S. K., Choudhary A., Agrawal A. // Construction and Building Materials -2017. - Т. 157 - С.322-330.

56. Hongtao L. Applications of deep convolutional neural network in computer vision / Hongtao L., Qinchuan Z. // Journal of Data Acquisition and Processing - 2016. - Т. 31 - 266 № 1 - С.1-17.

57. Trokoz D.A. Development and investigation of a motion planning algorithm for a mobile robot with a smart machine vision system / Trokoz D.A., Martyshkin A.I., Salnikov I.I. // Proceedings - 2020 International Russian Automation Conference ( RusAutoCon) 2020 - 2020. - С.831-838, 9208129.

58. Кузнецов А. С. Кластеризация изображений при использовании предобученных нейронныхсетей / Кузнецов А. С., Семенов Е. Ю., Матросова Л. Д. // International Journal of Open Information Technologies - 2019. - Т. 7 - № 7 -С.42-47.

59. Dong G. Color clustering and learning for image segmentation based on neural networks / Dong G., Xie M. // IEEE transactions on neural networks - 2005. - Т. 16 - № 4 - С.925-936.

60. K.-L. Du Clustering: a neural network approach / K.-L. Du // Neural networks - 2010. - Т. 23 - № 1 - С.89-107.

61. Hsu C.-C. Unsupervised convolutional neural networks for large-scale image clustering / Hsu C.-C., Lin C.-W. // 2017 IEEE International Conference on Image Processing (ICIP) - 2017. - С.390-394.

62. Shaham U. Spectralnet: spectral clustering using deep neural networks / Shaham U., Stanton K. P., Li H., Basri R., Nadler B., Kluger Y. // arXiv preprint arXiv:1801.01587 - 2018. - С.1-20.

63. Giacinto G. Design of effective neural network ensembles for image classification purposes / Giacinto G., Roli F. // Image and Vision Computing - 2001. -Т. 19 - № 9-10 - С.699-707.

64. Ляхов С. В., Строганов Ю. Н. Т.Т.Б. Использование глубоких нейронных сетей для задачи классификации звуков / Ляхов С. В., Строганов Ю.

Н. Т.Т.Б. // Известия Международной академии аграрного образования - 2017. -№ 36 - С.172-176. 267

65. Piczak K. Environmental sound classification with convolutional neural networks / Piczak K. // 2015 IEEE 25th International Workshop on Machine Learning for Signal Processing ( MLSP) - 2015. - С.1-6.

66. Zhang X. Dilated convolution neural network with LeakyReLU for environmental sound classification / Zhang X., Zou Y., Shi W. // 2017 22nd International Conference on Digital Signal Processing (DSP) - 2017. - С.1-5.

67. Khamparia A. Sound classification using convolutional neural network and tensor deep stacking network / Khamparia A., Gupta D., Nguyen N. G., Khanna A., Pandey B., Tiwari P. // IEEE Access - 2019. - Т. 7 - С.7717-7727.

68. Kirill K. Noise masking recurrent neural network for respiratory sound classification / Kirill K., Putin E., Balashov M., Filchenkov A., Shalyto A. // International Conference on Artificial Neural Networks - 2018. - С.208-217.

69. Acharya J. Deep neural network for respiratory sound classification in wearable devices enabled by patient specific model tuning / Acharya J., Basu A. // IEEE transactions on biomedical circuits and systems - 2020. - Т. 14 - № 3 - С.535-544.

70. Кипяткова И. С. Разновидности глубоких искусственных нейронных сетей для систем распознавания речи / Кипяткова И. С., Карпов А. А. // SPIIRAS Proceedings - 2016. - Т. 6 - № 49 - С.80-103.

71. Abdel-Hamid O. Convolutional neural networks for speech recognition / Abdel-Hamid O., Mohamed A.-R., Jiang H., Deng L., Penn G., Yu D. // IEEE/ACM Transactions on audio, speech, and language processing - 2014. - Т. 22 - № 10 -С.1533-1545.

72. Graves Al. Speech recognition with deep recurrent neural networks / Graves Al., Mohamed A.-r., Hinton G. // 2013 IEEE international conference on acoustics, speech and signal processing - 2013. - С.6645-6649.

73. Graves A. Towards end-to-end speech recognition with recurrent neural networks / Graves A., Jaitly N. // International conference on machine learning - 2014. - С.1764-1772.

74. Hinton G. Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups / Hinton G., Deng L., Yu D., Dahl G. E., Mohamed A.-R., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T. N., Others // IEEE Signal processing magazine - 2012. - Т. 29 - № 6 - С.82-97.

75. Dahl G. E. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition / Dahl G. E., Yu D., Deng L., Acero A. // IEEE Transactions on audio, speech, and language processing - 2011. - Т. 20 - № 1 - С.30-42.

76. Han W. ContextNet: improving convolutional neural networks for automatic speech recognition with global context / Han W., Zhang Z., Zhang Y., Yu J., Chiu C.-C., Qin J., Gulati A., Pang R., Wu Y. // Interspeech 2020 - 2020. - С.3610-3614.

77. Видмант О.С. Прогнозирование финансовых временных рядов с использованием рекуррентных нейронных сетей LSTM / Видмант О.С. // Общество: политика, экономика, право - 2018. - № 5 - С.63-66.

78. Oancea B. Time series forecasting using neural networks / Oancea B., Ciucu S. C. // Challenges of the Knowledge Society. IT in Social Sciences - 2014. - С.1402-1408.

79. Mishra K. A dilated convolutional based model for time series forecasting / Mishra K., Basu S., Maulik U. // SN Computer Science - 2021. - Т. 2 - № 2 - С.90.

80. Chen J.-F. Financial time-series data analysis using deep convolutional neural networks / Chen J.-F., Chen W.-L., Huang C.-P., Huang S.-H., Chen A.-P. // 2016 7th International conference on cloud computing and big data (CCBD) - 2016. - С.87-92.

81. Dingli A. Financial time series forecasting - a deep learning approach / Dingli A., Fournier K. S. // International Journal of Machine Learning and Computing -2017. - Т. 7 - № 5 - С.118-122.

82. Borovykh A. Dilated convolutional neural networks for time series forecasting / Borovykh A., Bohte S., Oosterlee C. W. // Journal of Computational Finance - 2018. - Т. 22 - № 4 - С.73-101.

83. Куллин О. Н. Применение глубоких нейронных сетей для управления мобильными роботами / Куллин О. Н. // Труды всероссийской конференции с международным участием - 2017. - С.180.

84. He W. Neural network control of a robotic manipulator with input deadzone and output constraint / He W., Ofosu D. A., Zhao Y., Changyin S. // IEEE Transactions on Systems, Man, and Cybernetics: Systems - 2015. - Т. 46 - № 6 - С.759-770.

85. Jin L. Robot manipulator control using neural networks: a survey / Jin L., Li S., Yu J., He J. // Neurocomputing - 2018. - Т. 285 - С.23-34.

86. Yu W. Neural PID control of robot manipulators with application to an upper limb exoskeleton / Yu W., Rosen J. // IEEE Transactions on cybernetics - 2013. - Т. 43 - № 2 - С.673-684.

87. Мартышкин А.И. Разработка и исследование алгоритма планирования движения мобильного робота с интеллектуальной системой технического зрения / Мартышкин А.И., Трокоз Д.А., Сальников И.И. // Фундаментальные проблемы управления производственными процессами в условиях перехода к индустрии 4.0. тезисы докладов научного семинара в рамках международной научно-технической конференции "Автоматизация". Министерство науки и высшего образования России - 2020. - С.267-270.

88. Визильтер Ю.В. Идентификация лиц в реальном времени с использованием свёрточный нейронной сети и хэширующего леса / Визильтер Ю.В., Горбацевич В.С., Воротников А.В., Костромов Н.А. // Компьютерная оптика - 2017. - Т. 41 - № 2 - С.254-265.

89. Ramaiah N. P. Illumination invariant face recognition using convolutional neural networks / Ramaiah N. P., Ijjina E. P., Mohan C. K. //2015 IEEE International Conference on Signal Processing, Informatics, Communication and Energy Systems ( SPICES) - 2015. - С.1-4.

90. Mollahosseini A. Going deeper in facial expression recognition using deep neural networks / Mollahosseini A., Chan D., Mahoor M. H. // 2016 IEEE Winter Conference on Applications of Computer Vision (WACV) - 2016. - С.1-10.

91. Sun Y. Deep learning face representation by joint identification-verification / Sun Y., Wang X., Tang X. // 12th Chinese Conference, CCBR 2017, Shenzhen, China, October 28-29, 2017, Proceedings - 2014. - С.314-323.

92. Ding C. Trunk-branch ensemble convolutional neural networks for video-based face recognition / Ding C., Tao D. // IEEE transactions on pattern analysis and machine intelligence - 2017. - Т. 40 - № 4 - С.1002-1014.

93. Гудков В.Ю. Применение нейронной сети для распознавания частных признаков дактилоскопических изображений / Гудков В.Ю., Дорофеев К.А. // Графикон'2012 - 2012. - С.273-274.

94. Michelsanti D. Fast fingerprint classification with deep neural networks / Michelsanti D., Ene A.-D., Guichi Y., Stef R., Nasrollahi K., Moeslund T. B. // Proceedings of the 12th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - 2017. - С.202-209.

95. Peralta D. On the use of convolutional neural networks for robust classification of multiple fingerprint captures / Peralta D., Triguero I., Garcia S., Saeys Y., Benitez J. M., Herrera F. // International Journal of Intelligent Systems - 2018. - Т. 33 - № 1 - С.213-230.

96. Jiang L. A direct fingerprint minutiae extraction approach based on convolutional neural networks / Jiang L., Zhao T., Bai C., Yong A., Wu M. // 2016 International Joint Conference on Neural Networks (IJCNN) - 2016. - С.571-578.

97. Dabouei A. Fingerprint distortion rectification using deep convolutional neural networks / Dabouei A., Kazemi H., Iranmanesh S. M., Dawson J., Nasrabadi N. M. // 2018 International Conference on Biometrics (ICB) - 2018. - С.1-8.

98. Понкратов А. Ю. Поиск оптимальных параметров базы изображений для идентификации рисунка ладони посредством искусственной нейронной сети / Понкратов А. Ю., Лобов Д. В., Осауленко Р. Н. // Advances in Science and Technology - 2018. - С.145-147.

99. Понкратов А. Ю. Идентификация личности по рисунку внутренней стороны ладони посредством искусственной нейронной сети / Понкратов А. Ю., Лобов Д. В., Осауленко Р. Н. // Международный журнал прикладных и фундаментальных исследований - 2019. - № 6 - С.159-163.

100. Jia W. A performance evaluation of classic convolutional neural networks for 2D and 3D palmprint and palm vein recognition / Jia W., Gao J., Xia W., Zhao Y., Min H., Lu J.-T. // International Journal of Automation and Computing - 2020. - С.1-27.

101. Волчихин В.И. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации / Волчихин В.И., Иванов А.И., Фунтиков В.А., Малыгина Е.А. // Известия высших учебных заведений. Поволжский регион. Технические науки - 2013. - № 4(28) - С.86-96.

102. Сериков А. В. Перспектива создания нейросетевых идентификаторов уровня слабых корреляционных связей с большим числом сетей и выходных состояний / Сериков А. В., Иванов А.И. // Труды научно- технической конференции кластера пензенских предприятий, обеспечивающих безопасность информационных технологий. Т. 10. Пенза - 2016. - С.47.

103. Trokoz D.A. Research and analysis of unsteady-state processes in cloud systems / Trokoz D.A., Martyshkin A.I., Pashchenko D.V. // Proceedings - 2020 Global Smart Industry Conference, GloSIC 2020 - 2020. - С.97-104, 9267818.

104. Ying C. Image classification at supercomputer scale / Ying C., Kumar S., Chen D., Wang T., Cheng Y. // arXiv preprint arXiv:1811.06992 - 2018.

105. Jouppi N. P. A domain-specific supercomputer for training deep neural networks / Jouppi N. P., Yoon D. H., Kurian G., Li S., Patil N., Laudon J., Young C., Patterson D. // Communications of the ACM - 2020. - Т. 63 - № 7 - С.67-78.

106. Hamilton J. D. Time series analysis. / Hamilton J. D. - California, San Diego: Princeton university press, 2020.- 820c.

107. Chou J.-S. Time series analytics using sliding window metaheuristic optimization- based machine learning system for identifying building energy

consumption patterns / Chou J.-S., Ngo N.-T. // Applied energy - 2016. - Т. 177 -С.751-770.

108. Selvin S. Stock price prediction using LSTM, RNN and CNN-sliding window model / Selvin S., Vinayakumar R., Gopalakrishnan E. A., Menon V. K., Soman K. P. // 2017 international conference on advances in computing, communications and informatics (icacci) - 2017. - С.1643-1647.

109. Chou J.-S. Forward forecast of stock price using sliding-window metaheuristic-optimized machine-learning regression / Chou J.-S., Nguyen T.-K. // IEEE Transactions on Industrial Informatics - 2018. - Т. 14 - № 7 - С.3132-3142.

110. Peng C. A bidirectional weighted boundary distance algorithm for time series similarity computation based on optimized sliding window size / Peng C., Tang Z., Gui W., Chen Q., He J. // Journal of Industrial & Management Optimization - 2021. - Т. 17 - № 1 - С.205.

111. Hunter D. Selection of proper neural network sizes and architectures—A comparative study / Hunter D., Yu H., Pukish III., Michael S., Kolbusz J., Wilamowski B. M. // IEEE Transactions on Industrial Informatics - 2012. - Т. 8 - № 2 - С.228-240.

112. Baker B. Designing neural network architectures using reinforcement learning / Baker B., Gupta O., Naik N., Raskar R. // arXiv preprint arXiv: 1611.02167 -2016. - С.1-18.

113. Трокоз Д.А. Использование алгебры гиперразмерных векторов для эвристического представления данных при обучении широких нейронных сетей / Трокоз Д.А., Пащенко Д.В., Мартышкин А.И., Синев // Проблемы управления и моделирования в сложных системах. Труды XXI Международной конференции. В 2-х томах. Под редакцией С.А. Никитова, Д.Е. Быкова, С.Ю. Боровика, Ю.Э. Плешивцевой. - 2019. - С.301-305.

114. Бойков Д. В. Представление функции исключающего " или" персептроном / Бойков Д. В. // Актуальные аспекты и приоритетные направления развития транспортной отрасли - 2019. - С.146-148.

115. Иванов А.И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции / Иванов А.И. - Пенза: ПНИЭИ, 2016.- 133c.

116. Osipov E. Associative synthesis of finite state automata model of a controlled object with hyperdimensional computing / Osipov E., Kleyko D., Legalov A. // IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society -2017. - С.3276-3281.

117. Трокоз Д.А. Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов / Трокоз Д.А. // Южно-Сибирский научный вестник - 2020. - № 6(34) - С.148-154.

118. Whitehead, N. Precision & Performance: Floating Point and IEEE 754 Compliance for NVIDIA GPUs [Electronic resource] / N. Whitehead, A. Fit-F lorea. -

URL: https://developer.download.nvidia.com/assets/cuda/efiles/NVIDIACUDA-Floating-Point.pdf (date of access: 03.04.2023)

119. Mohan, P.A. Residue number systems. Theory and applications / P.A. Mohan. -

Cham: Birkhauser, 2016.

120. Isupov, K. Multiple-precision residue-based arithmetic library for parallel CPUGPU architectures: data types and features / K. Isupov, A. Kuvaev, M. Popov,A. Zaviyalov // Lecture Notes in Computer Science. Cham: Springer. - 2017. - Vol. 10421. - P. 196-204.

121. Isupov, K. Interval estimation of relative values in residue number system /K. Isupov, V. Knyazkov // Journal of Circuits, Systems and Computers. -2018. - Vol. 27, No. 1. - P. 1850004.

122. B. Parhami. Computer Arithmetic: Algorithms and Hardware Designs, Oxford University Press, Oxford, 2000, 490 p.

123. Самарский А.А. Математическое моделирование и вычислительный эксперимент // Вестник АН СССР. — 1979. — № 5. — С. 38-49.

124. Пащенко Д.В. Средства воздушного наблюдения, контроля и управления / Д.В. Пащенко, В.И. Волчихин, В.Г. Пащенко // Надежность и качество Вып. 1: труды междунар. Симп, 2008 - С.186-190.

125. Трокоз Д.А. Программный модуль поддержки алгебры гиперразмерных векторов / Трокоз Д.А. // Вестник Рязанского государственного

радиотехнического университета - 2021. - № 75 - С.53-62.

126. Abadi M. Tensorflow: a system for large-scale machine learning / Abadi M., Barham P., Chen J., Chen Z., Davis A., Dean J., Devin M., Ghemawa S., Irving G., Isard M., Others // 12th symposium on operating systems design and implementation -2016. - С.265-283.

127. Бююль А., Цефель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. Пер. с н ем. -СПб.: ООО «ДиаСофтЮП», 2002. - 608 с.

Приложение А. Листинги программ

createpasporthread.h #ifndef CREATEPASPORTTHREAD_H #define CREATEPASPORTTHREAD_H /*!

\file createpasportthread.h \brief Поток создания паспорта

@defgroup database @{

#include "kernel/abstractthread.h"

#include <QDateTime>

#include <QHash>

#include "data/tunetableinfo.h"

#include <QSet>

#include "data/listdots.h"

class CreatePasportThread : public AbstractThread {

Q_OBJECT public:

CreatePasportThread(QString info, QSet<QString> setCodogramm, QDateTime dateBegin, QDateTime dateEnd,

QHash<int,QString> flyPaths); -CreatePasportThread();

private:

//! Функция для выполнения в отдельном потоке void run();

signals:

void sigErrors(QHash<QString,QHash<QString,int> > error);

private:

QHash<int,QSet<int> > mLoadUniqueld; QDateTime mDateBegin; QDateTime mDateEnd; QHash<int,QString> mFlyPaths; QString mMapDefaultPath;

};

#endif // CREATEPASPORTTHREAD H

createpasporthread.cpp

#include #include

#include <QThreadPool>

#include #include #include #include #include #include #include #include

'createpasportthread.h" 'database/codogrammdataservice.h'

'reader/readfilerunnable.h" 'logger/Logger.h" 'database/classservice.h" 'data/minmaxdate.h" 'codogrammincludereader.h" 'express/runnablecmsn.h" ' widget/widgetControl/pasportdialog.h" 'widget/mainmonitorwindow.h"

#include "widget/additionalmonitorwindow.h" #include "kernel/file.h"

CreatePasportThread::CreatePasportThread(QString info, QSet<QString> setCodogramm, QDateTime dateBegin,

QDateTime dateEnd,

QHash<int, QString> flyPaths) : AbstractThread(info) {

mDateBegin = dateBegin; mDateEnd = dateEnd; mFlyPaths = flyPaths;

mMapDefaultPath = makeAbsFilePath(Config::instance()-> settings()->loadWithDefault(

ConfigObject::Path,ConfigParam:: MapDefault,QVariant(qApp->applicationDirPath())). toString());

//prepare numbers

foreach(QString uniqueld, setCodogramm) {

QStringList split = uniqueld.split("_"); QString senderStr = split.value(0);//Первая часть номер КФП

bool okSender;

int sender = senderStr.toInt(&okSender); QString cdrNumberStr = split.value(1);//Вторая часть номер кодограммы bool okCdg;

int cdrNumber = cdrNumberStr.toInt(&okCdg);

//Добавляем только те кодограммы, которые удалось распознать как числа

if (okSender && okCdg) {

if (mLoadUniqueld.contains(sender)) {

QSet<int> &set = mLoadUniqueId[sender]; if (!set.contains(cdrNumber)) set.insert(cdrNumber);

}

else {

QSet<int> newList; newList.insert(cdrNumber); mLoadUniqueld.insert(sender,newList);

}

}

else

LOG_ERROR() << QString("CreatePasportThread() - Error translate uniqueld = %1 to int sender and

codogramm number").arg(uniqueld); }

}

CreatePasportThread::~CreatePasportThread() {

}

void CreatePasportThread::run()

{

mainMonitor->getTimerWidget()->clearCache(); mainMonitor->getVideoSoundWidget()->clearCache(); addMonitor->clearCache();

ClassService::instance()->clearData();//Очистка данных которые не нужны для новых данных //очистка БД

CodogrammDataService::instance()->truncateTables(); //Отображение очищенных данных mainMonitor->getTableWidget()->clearData(); mainMonitor->getGraphicWidget()->clearWidget(); mainMonitor->getGraphicWidget()-> clearComboBoxGraphics();

mainMonitor->getStaticWidget()->clearData (); mainMonitor->getDynamicWidget()->clearData(); mainMonitor->getControlWidget()->setItemsEnable(true); mainMonitor->getDynamicWidget()->settingsDialog()->clearListVoice();

QThreadPool* pool = new QThreadPool(this);//Пул потоков int maxCountThread = 1; if (pool->maxThreadCount() > 1)

maxCountThread = pool->maxThreadCount()/2; pool->setMaxThreadCount(maxCountThread); QList<ReadFileRunnable*> list;//Сохраняем запущенные потоки, что после их завершения удалить

QList<RunnableCMSN*> listRunnableCmsn;//Отдельно запускаем ещё потоки экспресс-анализа CMSN для поиска времни работы УТ QTime time;

time.start();

QHash<QString,QHash<QString,int> > table; QList<QDir> listDirCMSN;//Список каталогов CMSN QHash<int,QFileInfoList> hashFileCMSN;//Хэш файлов CMSN, которые содержатся в каталоге с указанным индексом

foreach (int flyNumber, mFlyPaths.keys()) {

QString path = mFlyPaths.value(flyNumber); QDirlterator it(path,QStringList() << м*.datм,QDir::Files,QDirIterator::Subdirectories);//Ищем только файлы ".dat"

while (it.hasNext()) {

QFilelnfo infoFile(it.next()); QString parentDirPath = infoFile.absolutePath();

QDir parentDir(parentDirPath); if

(parentDir.dirName().startsWith(RunnableCMSN::CMSN_DIR)) {

int index = INVALID_INDEX; //Проверяем есть ли уже такой каталог

for(int i = 0; i < listDirCMSN.size(); i++) {

if (parentDir == listDirCMSN.at(i)) {

index = i; break;

}

//Если нет, добавляем его

if (index == INVALID_INDEX) {

listDirCMSN.append(parentDir); index = listDirCMSN.size()-1;

}

//Добавляем файл к указанному каталогу QFileInfoList &list = hashFileCMSN[index]; list.append(infoFile);

}

//Запускаем чтение файла ReadFileRunnable *runnable = new ReadFileRunnable(mLoadUniqueId,mDateBegin,mDateEnd,flyNumbe r,infoFile.absoluteFilePath(),this);

list.append(runnable); pool->start(runnable);

}

}

//Запускаем пул потоков RunnableCMSN

for (int i = 0; i<listDirCMSN.size(); i++) {

QDir dir = listDirCMSN.at(i); QFileInfo dirKfp(dir.absolutePath());

//Запускаем поиск всех УТ RunnableCMSN* runnable = new RunnableCMSN(dirKfp,hashFileCMSN,value(i),NULL,0,false,true

listRunnableCmsn.append(runnable); pool->start(runnable);

pool->waitForDone();//Ожидание завершения всех потоков в пуле

//Загружаем найденные точки ListDots listDots;

foreach(RunnableCMSN* runnable, listRunnableCmsn) {

//Добавляем УТ полученные из СППЗ QList<Dots> listStatusUt = runnable->getListStatusUt();

foreach(Dots dot, listStatusUt) {

Dots* dotFromList = listDots.getDots(dot); if (dotFromList) continue;

else {

//Добавляем как новую точку

dot.setName(listDots.createNameUt(dot.getNumberUt()));

dot.setPath(mMapDefaultPath); listDots.addDots(dot);

}

//Добавляем рабочие УТ

QList<Dots> listWorkUt = runnable->getLisWorktUt();

foreach(Dots dot, listWorkUt) {

Dots* dotFromList = listDots.getDots(dot); //Нашли точку у которой нет времени, добавляем ей время просто

if (dotFromList && IdotFromList->getDateTime().isValid())

dotFromList->setDateTime(dot.getDateTime());

//Нашли точку, но время у неё уже есть else if (dotFromList && dotFromList-

>getDateTime().isValid()) {

//Добавляем как ещё одну точку с таким же

именем

dot.setName(dotFromList->getName());

dot.setPath(mMapDefaultPath);

listDots.addDots(dot);

}

else {

//Добавляем как новую точку

dot.setName(listDots.createNameUt(dot.getNumberUt()));

dot.setPath(mMapDefaultPath); listDots.addDots(dot);

}

//Сохраняем загруженный список УТ в БД listDots.save();

//Очистка памяти

qDeleteAll(listRunnableCmsn);

listRunnableCmsn.clear();

//Добавление в БД min max значения времени из заголовка сообщений

QDateTime dateMin; QDateTime dateMax;

//По всем потокам ищем мин/макс значение времени и параметры которые не используются

foreach (ReadFileRunnable* runnable, list) {

if(runnable->isHasError()) {

QString nameTable = "Каталог: " + runnable-

>getPath();

table.insert(nameTable,runnable-

>getHashCountErrors()); }

//date Min Max

QDateTime dateReadMin = runnable->getDateMin(); QDateTime dateReadMax = runnable->getDateMax();

if (!dateReadMin.isNull())

dateMin = dateMin.isNull() ? dateReadMin : qMin(dateMin,dateReadMin);

if (!dateReadMax.isNull())

dateMax = dateMax.isNull() ? dateReadMax :

qMax(dateMax,dateReadMax); }

MinMaxDate minmax(dateMin,dateMax); ClassService::instance()->set(DbKey::DB_KEY_MINMAX,minmax.serialize());

//Сохраняем информацию о времени работы УТ также в файл PasportDialog dialog(NULL,PasportDialog::ACTION_EDIT);

if (dialog.isOkInit()) {

dialog.setDots(listDots);

dialog.setErrors(table);

dialog.savePasportToFile();

}

//Очистка памяти qDeleteAll(list); list.clear(); delete pool;

LOG_INFO() << "Время загрузки кодограмм = " << time.elapsed();

emit sigErrors(table); }

pasportparams.cpp #include "pasportparams.h"

#include #include

"kernel/global.h" "database/classservice.h"

PasportParams::PasportParams() {

}

QByteArray PasportParams::serialize() {

QByteArray data;

QDataStream stream(&data,QIODevice::WriteOnly);

stream.setVersion(DATA_STREAM_VERSION);

stream << mPasportName;

stream << mPasportDir;

stream << mNameLoadScenario;

stream << mFlyMap;

stream << mScenMap;

return data;

}

void PasportParams::deserialize(QByteArray data) {

QDataStream stream(&data,QIODevice::ReadOnly);

stream.setVersion(DATA_STREAM_VERSION);

stream >> mPasportName;

stream >> mPasportDir;

stream >> mNameLoadScenario;

stream >> mFlyMap;

stream >> mScenMap;

}

QString PasportParams::getPasportName() const {

return mPasportName;

}

void PasportParams::setPasportName(const QString

&pasportName) {

mPasportName = pasportName;

}

QString PasportParams::getPasportDir() const {

return mPasportDir;

}

void PasportParams::setPasportDir(const QString

&pasportDir) {

mPasportDir = pasportDir;

}

QHash<int, FlyParams> PasportParams::getFlyMap() const {

return mFlyMap;

QHash<QString, QDateTime> PasportParams::getScenMap()

const {

return mScenMap;

}

bool PasportParams::isExist() {

if (mPasportDir.isEmpty() ||

mPasportName.isEmpty())

return false;

else

return true;

}

void PasportParams::save() {

ClassService::instance()-

>set(DbKey::DB_KEY_PASPORT,serialize()); }

void PasportParams::load() {

deserialize(ClassService::instance()-

>get(DbKey::DB_KEY_PASPORT)); }

void PasportParams::addFlyRecord(int num, const

FlyParams &flyParam) {

mFlyMap.insert(num,flyParam);

void PasportParams::removeFlyRecord(int num) {

mFlyMap.remove(num);

}

FlyParams *PasportParams::getFlyRecord(int num) {

if (ImFlyMap.contains(num)) return NULL; return &mFlyMap[num];

}

void PasportParams::clearFlyParams() {

mFlyMap.clear();

}

void PasportParams::addScenRecord(QString name,

QDateTime dateTime) {

mScenMap.insert(name,dateTime);

}

QString PasportParams::getPathVideo() const {

return mPathVideo;

}

void PasportParams::setPathVideo(const QString

&pathVideo) {

mPathVideo = pathVideo;

}

QString PasportParams::getNameLoadScenario() const {

return mNameLoadScenario;

}

void PasportParams::setNameLoadScenario(const QString

&nameLoadScenario) {

mNameLoadScenario = nameLoadScenario;

}

pasportparams.h #ifndef PASPORTPARAMS_H #define PASPORTPARAMS_H

/*!

\file pasportparams.h

\brief Класс содержит текущие параметры загруженного в БД паспорта

@defgroup data @{

#include "serializable.h"

#include <QHash> #include "flyparams.h" #include <QDateTime>

class PasportParams : public Serializable {

public:

PasportParams();

//! Функция сериализования класса в массив байт QByteArray serialize();

//! Функция десериализования массива байт в класс void deserialize(QByteArray data); //! Функции доступа к приватным членам QString getPasportName() const;

void setPasportName(const QString &pasportName); QString getPasportDir() const;

void setPasportDir(const QString &pasportDir); QString getNameLoadScenario() const; void setNameLoadScenario(const QString

&nameLoadScenario);

QString getPathVideo() const; void setPathVideo(const QString &pathVideo); QHash<int, FlyParams> getFlyMap() const; QHash<QString, QDateTime> getScenMap() const; //! Проверка на заполнение параметров паспорта bool isExist();

//! Сохранить параметры паспорта в БД void save();

//! Загрузить параметры паспорта из БД void load();

//! Добавить запись о полёте

void addFlyRecord(int num, const FlyParams &flyParam);

//! Удалить запись о полёте void removeFlyRecord(int num);

//! Получить запись о полёте для редактирования FlyParams* getFlyRecord(int num); //! Очистить параметры полётов void clearFlyParams();