ОПТИМІЗАЦІЯ ІЄРАРХІЧНОЇ СТРУКТУРИ ДАНИХ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ФУНКЦІОНАЛЬНОГО ДІАГНОСТУВАННЯ ТЕХНІЧНОГО СТАНУ СКЛАДНОЇ МАШИНИ
Journal Title: Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї - Year 2018, Vol 1320, Issue 44
Abstract
Розглядається метод інформаційно-екстремального машинного навчання системи функціонального діагностування технічного стану складної машини з оптимізацією ієрархічної структури вхідних даних. Показано, що на функціональну ефективність машинного навчання системи функціонального діагностування суттєво впливає розміщення в ієрархічній структурі класів розпізнавання, які характеризують технічний стан машини та її вузлів. При цьому для кожної страти ієрархічної структури накладаються обмеження на кількість класів розпізнавання, що дозволяє зменшити ступінь їх перетину в просторі діагностичних ознак. Оптимізація ієрархічної структури здійснюється в процесі інформаційно-екстремального машинного навчання системи функціонального діагностування, що дозволяє максимізувати інформаційну спроможність системи. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом точнісних характеристик діагностичних рішень. При цьому алгоритм машинного навчання представляв собою багатоциклічну ітераційну процедуру пошуку максимального глобального значення інформаційного критерію оптимізації параметрів машинного навчання в робочій (допустимій) області визначення його функції. В результаті для страт всіх ярусів ієрархічної структури сформовано алфавіти класів розпізнавання, які забезпечили максимальну функціональну ефективність машинного навчання. За отриманими в процесі машинного навчання оптимальними геометричними параметрами контейнерів класів розпізнавання побудовано вирішальні правила, які дозволяють приймати діагностичні рішення в реальному темпі часу. Крім того, вирішальні правила, побудовані в рамках геометричного підходу, є практично інваріантними до багатовимірності вхідних даних, що є їх суттєвою перевагою перед штучними нейронними мережами. Як приклад реалізації запропонованого методу розглядалося машинне навчання системи функціонального діагностування шахтної підйомної машини з оптимізацією структури вхідних даних.
Authors and Affiliations
Anatoly Dovbysh, Victoria Zimovets, Myroslav Bibyk
Keywords
Related Articles
- EP ID EP465220
- DOI 10.20998/2079-0023.2018.44.08
- Views 132
- Downloads 0
Прогнозирование результатов финансовых инвестиций
<span>Предлагаются методы определения ценовых уровней фиксации прибыли и прогнозирования результатов инвестиций на мировых финансовых рынках. Данные методы позволяют выполнять адекватную оценку ряда показателей силы и ка...
EFFICIENCY ESTIMATION OF METHODS FOR SENTIMENT ANALYSIS OF SOCIAL NETWORK MESSAGES
<p class="304Annotationeng"><span lang="EN-US">The results of effectiveness evaluating of machine learning methods for sentiment analysis of social network messages are presented in this paper. The importance of the sent...
ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНЕ МАШИННЕ НАВЧАННЯ СИСТЕМИ КОНТРОЛЮ ЗНАНЬ
Розглядається алгоритм машинного навчання комп’ютеризованої системи контролю знань за тестовими завданнями. При цьому машинне навчання здійснюється в рамках інформаційно-екстремальної інтелектуальної технології аналізу д...
Використання принципів локальності та звя’зності контексту в рекомендаційних системах
<span>Досліджено проблему релевантності вхідних даних в рекомендаційних системах. Дана проблема виникає внаслідок недостатньої диференціації даних про товари відносно споживачів, що не дозволяє в повній мірі індивідуаліз...
SYNTHESIS OF LOCAL AREA NETWORK STRUCTURE IN UNCERTAIN CONDITIONS OF INITIAL INFORMATION
The problem of taking into account the uncertainty of the initial information is identified in the tasks of the structure synthesis of local area networks. The analysis of the factors generating uncertainty is carried ou...