Скачать статью в pdf. 

УДК 004.9:622.625.1

DOI: 10.15507/0236-2910.028.201802.191-206

Исследование информативности признаков при распознавании состояний рельсовых линий

Тарасов Евгений Михайлович
проректор, ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Россия, г. Самара, ул. Свободы, д. 2В), доктор технических наук, ResearherID: C-2505-2018, ORCID: https://orcid.org/0000-0003-2717-7343, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Герус Владимир Леонидович
аспирант кафедры автоматики, телемеханики и связи, ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Россия, г. Самара, ул. Свободы, д. 2В), ResearherID: C-2513-2018, ORCID: https://orcid.org/0000-0002-9559-0458, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Тарасова Анна Евгеньевна
специалист отдела организации целевого обучения, ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Россия, г. Самара, ул. Свободы, д. 2В), ResearherID: C-2497-2018, ORCID: https://orcid.org/0000-0001-6907-6036, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Введение. Многомерность пространства состояний рельсовых линий, близость границ классов из-за воздействия внешних возмущений существенно усложняют задачу распознавания и классификации данных состояний, вследствие чего ее возможно решить только с использованием множества информативных признаков. Вместе с тем расширение априорного алфавита признаков приводит к существенному увеличению экономических потерь для создания сложной системы распознавания, появлению ошибок измерения множества признаков, увеличению времени обработки информации, что отрицательно отражается на распознавании в реальном времени. В работе рассмотрена задача уменьшения размерности пространства признаков распознающей системы состояний рельсовых линий и формирования рабочего множества признаков с определением наиболее информативных сочетаний.
Материалы и методы. Оценка информативности признаков осуществлялась методом корреляционных коэффициентов, а также с помощью обученного классификатора с решающей функцией, аргументами которой являлись входные и выходные электрические параметры четырехполюсника рельсовой линии. В качестве решающей функции был использован полином Колмогорова-Габора второй степени сложности, обученный решением несовместной системы уравнений. Математические и технические расчеты проводились в программе Mathcad.
Результаты исследования. Наиболее информативными первичными признаками для надежной классификации состояний рельсовых линий являются входные и выходные параметры четырехполюсника рельсовой линии. При использовании данных признаков все классы надежно распознаются, а функции качества распознавания превышают 1,2.
Обсуждение и заключения. Результаты, полученные в ходе исследования, подтверждают возможности подходов при формировании рабочего множества признаков и могут быть использованы при разработке обучаемых классификаторов состояний. Сочетание двух методов позволяет синтезировать сложные, многоуровневые системы распознавания, что является основным вкладом данной работы в развитие принципов распознавания образов.

Ключевые слова: информативность признаков, корреляционная функция, критерии качества, решающая функция, рельсовая линия

Для цитирования: Тарасов Е. М., Герус В. Л., Тарасова А. Е. Исследование информативности признаков при распознавании состояний рельсовых линий // Вестник Мордовского университета. 2018. Т. 28, № 2. С. 191–206. DOI: https://doi.org/10.15507/0236-2910.028.201802.191-206

Заявленный вклад соавторов: Е. М. Тарасов – постановка задачи, консультирование по теоретической части, анализ полученных данных; В. Л. Герус – анализ предметной области, анализ алгоритмов исследований, работа с литературой; А. Е. Тарасова – разработка и реализация алгоритма, проведение исследований с использованием программного средства Mathcad, анализ результатов.

Все авторы прочитали и одобрили окончательный вариант рукописи.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Разработка обучаемого классификатора состояний рельсовых линий с многомерными информативными признаками / Д. В. Железнов [и др.] // Труды СПИИРАН. 2017. Т. 50, № 1. C. 32–54.

2. Robust model fitting using higher than minimal subset sampling / B. B. Tennakoon [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 38, no. 2. P. 350–362.

3. Zheleznov D. V., Tarasov E. M. Development of an intelligent system of determinating the coordinates and the speed of the train // Transport and Telecommunication. 2016. Vol. 17, no. 6. P. 138–143.

4. Худайберганов Т. Р., Адинаев Х. С., Артикбаев М. А. Математические методы распознавания образов // Техника. Технологии. Инженерия. 2017. Т. 4, № 2.1. С. 45–47.

5. Ailem M., Role F., Nadif M. Model-based co-clustering for the effective handling of sparse data // Pattern Recognition. 2017. Vol. 72. P. 108–122.

6. Linear classifiers and selection of informative features / Yu. I. Zhuravlev [et al.] // Pattern Recognition and Image Analysis. 2017. Vol. 27, no. 3. P. 426–432.

7. Зенин А. В. Анализ методов распознавания образов // Молодой ученый. 2017. № 16. С. 125–130.

8. Кулбараков М. А. К задаче распознавания образов без учителя в технической диагностике // Молодой ученый. 2014. № 18. С. 55–57.

9. Fast density clustering strategies based on the k-means algorithm / L. Bai [et al.] // Pattern Recognition. 2017. Vol. 71. P. 375–386.

10. Support vector clustering / A. Ben Hur [et al.] // J. of Machine Learning Research. 2001. Vol. 2. P. 125–137.

11. Kazanskiy N. L., Popov S. B. Integrated design technology for computer vision systems in railway transportation // Pattern Recognition and Image Analysis. 2015. Vol. 25, no. 2. P. 215–219.

12. Myasnikov E. V. Analysis of approaches to feature space partitioning for nonlinear dimensionality reduction // Pattern Recognition and Image Analysis. 2016. Vol. 26, no. 3. P. 474–482.

13. Dokukin A. A., Ryazanov V. V., Shut O. V. Multilevel models for solution of multiclass recognition problems // Pattern Recognition and Image Analysis. 2016. Vol. 26, no. 3. P. 461–473.

14. Машкин А. В. Использование энтропийных мер в задачах оценки информативности признаков распознавания образов // Программные продукты и системы. 2009. № 4. С. 79–80.

15. Бартенев В. Г. Анализ эффективности обнаружителей коррелированных сигналов в шуме для малых выборок наблюдений // Цифровая обработка сигналов. 2016. № 4. С. 35–39.

16. Erdogmus D., Principe J. C. Information theoretic learning [Electronic resource].

17. Черногорова Ю. В. Методы распознавания образов // Молодой ученый. 2016. Т. 132, № 28. С. 40–43.

18. Полевой Ю. И. Классификация адаптивных рельсовых цепей // Мир транспорта. 2011. № 1. С. 124–129.

19. Бобков А. В. Нормирование пространства признаков при использовании обобщенного преобразования Хафа // Наука и образование : научное издание. 2014. № 2. С. 286–295.

20. Разработка инвариантного обучаемого идентификатора координаты поезда / Д. В. Железнов [и др.] // Вестник СамГУПС. 2017. № 2. С. 100–112.

21. On ensuring invariance in problems of control of rail-line conduction / E. M. Tarasov [et al.] // Russian Electrical Engineering. 2017. Vol. 88, no. 3. P. 105–108.

Контент доступен под лицензией Creative Commons Attribution 4.0 License.