ПРИКАСПИЙСКИЙ ЖУРНАЛ
УПРАВЛЕНИЕ И ВЫСОКИЕ ТЕХНОЛОГИИ
Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных
 |
Читать | Киселев А. В., Савинов Д. Ю., Филист С. А., Шаталова О. В., Жилин В. В. Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных // Прикаспийский журнал: управление и высокие технологии. — 2018. — №2. — Стр. 137-149. |
Киселев А. В. - преподаватель кафедры информационных систем и технологий, Юго-Западный государственный университет, 305004, Российская Федерация, г. Курск, ул. Челюскинцев, 19, корпус Б, Kiselevalexey1990@gmail.com
Савинов Д. Ю. - аспирант, Юго-Западный государственный университет, 305004, Российская Федерация, г. Курск, ул. Челюскинцев, 19, корпус Б, marina-savinova-93@mail.ru
Филист С. А. - доктор технических наук, профессор, Юго-Западный государственный университет, 305004, Российская Федерация, г. Курск, ул. Челюскинцев, 19, корпус, Б, SFilist@gmail.com
Шаталова О. В. - кандидат технических наук, доцент, Юго-Западный государственный университет, 305004, Российская Федерация, г. Курск, ул. Челюскинцев, 19, корпус, Б, shatРѕlg@mail.ru
Жилин В. В. - кандидат технических наук, доцент, Курский институт кооперации, филиал Белгородского университета потребительской кооперации, экономики и права, 305004, Российская Федерация, г. Курск, ул. Радищева, 116, vvzhilin61@gmail.com
Для классификации сложноструктурируемых данных предложены гибридные решающие модули с виртуальными потоками. Виртуальные потоки отражают скрытые системные связи между наблюдаемыми параметрами процесса или системы. При этом вектор информативных признаков состоит из двух подвекторов, первый из которых соответствует реальным потокам, а второй - виртуальным потокам. Для формирования виртуального потока разработана обобщенная рекуррентная структурная схема. Схема позволяет формировать гибридный вектор информативных признаков, состоящий из двух подвекторов. Один из них состоит из исходных информативных признаков, а второй - из информативных признаков, полученных на основе моделирования системных связей между информативными признаками первого подвектора. Для формирования второго подвектора используются как системные связи между исходным пространством информативных признаков, так и вновь сформированные латентные переменные. Это позволяет реализовать рекуррентный процесс формирования пространства информативных признаков. Предложенный метод формирования нелинейных моделей виртуальных потоков основан на МГУА-моделировании. В методе для получения моделей влияния реальных потоков на виртуальные потоки используются нейронные сети на нелинейных адалинах. Метод позволяет формировать подвектор латентных переменных неограниченной размерности. На основе предложенного метода сформирована структура гибридной решающей системы с виртуальными потоками, предназначенная для классификации сложноструктурируемых данных. Структура позволяет учесть латентные потоки для информативных признаков (виртуальные потоки) - они определяются на основе статистических и экспертных исследований связей между исходными информативными признаками. В свою очередь это дает возможность агрегировать четкие и нечеткие решающие правила, обеспечивая требуемое качество принимаемых решений при разнородной и плохоформализуемой структуре классов. Проведенное авторами имитационное моделирование показало эффективность метода.
Ключевые слова: гибридный, решающая система, латентная переменная, МГУА-модель, нейронная сеть, нечеткая логика принятия решений, агрегаторы нечетких решающих правил, hybrid decision module, latent variable, GMDH model, neural network, fuzzy logic of decision-making, agg