Шаблон статьи
Скачать статью в pdf.УДК 004.93-047.58
DOI: 10.15507/2658-4123.030.202004.659-682
Разработка обучаемого классификатора состояний с множеством моделей распознавания образов
Тарасов Евгений Михайлович
заведующий кафедрой электротехники ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), доктор технических наук, профессор, Researcher ID: 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.
Андрончев Иван Константинович
ректор ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), доктор технических наук, профессор, Researcher ID: AAD-2892-2020, ORCID: https://orcid.org/0000-0002-3964-7050, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Булатов Андрей Александрович
проректор ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), кандидат технических наук, доцент, Researcher ID: AAC-5665-2020, ORCID: https://orcid.org/0000-0002-1278-2172, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Тарасова Анна Евгеньевна
аспирант кафедры электротехники ФГБОУ ВО «Самарский государственный университет путей сообщения» (443066, Российская Федерация, г. Самара, ул. Свободы, д. 2В), Researcher ID: 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. Необходимость классификации состояний рельсовых линий в условиях воздействия на чувствительный элемент датчика информации значительных возмущающих факторов с гарантированным обеспечением качества классификации при необходимой длине рельсовых линий участка контроля формирует задачу создания классификатора с расширенными функциональными возможностями. Для этого используются многомерные образы состояний с множеством информативных признаков, обучающих процедур моделей классификации. Применение классического принципа классификации с единственной моделью приводит к чрезмерному усложнению алгоритма группирования с невысокой точностью из-за неверного решения системы условных уравнений при многомерной аппроксимации многочленами Эрмита.
Материалы и методы. Для решения поставленной задачи рассмотрены принципы сокращения размерности признакового пространства, процедуры обучения классификатора состояний с многомерными образами, выбора решающих правил классификации с иерархической группировкой классов, а также формирования множества моделей различной степени сложности, обученных решением несовместной системы уравнений. Благодаря применению в качестве моделей многочленов Эрмита в работе получены модели классификаторов состояний рельсовых линий различной степени сложности, используемые в адаптивном алгоритме.
Результаты исследования. В статье представлены результаты формирования 57 моделей классификаторов с использованием многочленов Эрмита с признаками (аргументами) по 2, 3, 4, 5, 6. В качестве примера показана процедура формирования моделей с 2–6 признаками. Результаты исследований показали, что с увеличением количества признаков качество классификации улучшается, как при делении пространства состояний на несколько классов.
Обсуждение и заключение. Результаты проведенных исследований подтверждают реализуемость принципа классификации состояний рельсовых линий множеством моделей классификации и алгоритм рекуррентного повышения сложности классификации путем использования модели повышенной сложности. Критерием предъявления новой, более сложной модели является несовпадение результатов вычисления класса i-й моделью и реальным классом, в котором находится рельсовая линия в рассматриваемый момент времени.
Ключевые слова: информативные признаки, обучение классификатора, модели классификатора, качество классификации, образ
Для цитирования: Разработка обучаемого классификатора состояний с множеством моделей распознавания образов / Е. М. Тарасов, И. К. Андрончев, А. А. Булатов, А. Е. Тарасова. – DOI 10.15507/2658-4123.030.202004.659-682 // Инженерные технологии и системы. – 2020. – Т. 30, № 4. – С. 659–682.
Заявленный вклад соавторов: Е. М. Тарасов – постановка задачи, консультирование по теоретической части, анализ результатов исследований, разработка математических моделей; И. К. Андрончев – разработка алгоритма классификации состояний рельсовой линии со множеством моделей, работа с литературой; А. А. Булатов – разработка алгоритмов моделирования распознавания состояний рельсовых линий на ЭВМ, анализ литературных источников; А. Е. Тарасова – обработка результатов исследований, проведение исследований с использованием программного средства Mathcad, оформление статьи.
Все авторы прочитали и одобрили окончательный вариант рукописи.
Поступила 14.05.2020; принята к публикации 10.07.2020;
опубликована онлайн 30.12.2020
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Тарасова, А. Е. Исследование потенциальных возможностей классификаторов состояний рельсовых линий / А. Е. Тарасова // Наука и образование транспорту. – 2018. – № 1. – С. 223–226.
2. Кравцов, Ю. A. Методика проверки помехоустойчивости приемников тональных рельсовых цепей / Ю. A. Кравцов, A. A. Антонов, M. E. Бакин // Мир транспорта. – 2015. – Т. 13, № 6 (61). – С. 102–109. – URL: https://mirtr.elpub.ru/jour/article/view/554 (дата обращения: 03.11.2020). – Рез. англ.
3. Мудрая, Н. Г. Автоматическая система контроля работоспособности рельсовых цепей на основе применения широкополосных сигналов / Н. Г. Мудрая // Современные технологии. Системный анализ. Моделирование. – 2018. – Т. 57, № 1. – С. 124–129. – URL: https://clck.ru/RjKTm (дата обращения: 03.11.2020). – Рез. англ.
4. Bestemyanov, P. F. Energy-Efficient Algorithms for Assessment of the Rail-Circuit Operation / P. F. Bestemyanov. – DOI 10.3103/S106837121709005X // Russian Electrical Engineering. – 2017. – Vol. 88, Issue 9. – Pp. 557–562. – URL: https://link.springer.com/article/10.3103%2FS106837121709005X (дата обращения: 03.11.2020).
5. Тарасов, Е. М. Принцип построения классификатора состояний рельсовых линий множеством информативных признаков / Е. М. Тарасов // Известия Транссиба. – 2012. – № 1. – С. 112–118. – URL: http://izvestia-transsiba.ru/images/journal_pdf/2012-1(9).pdf (дата обращения: 03.11.2020).
6. Разработка обучаемого классификатора состояний рельсовых линий с многомерными информативными признаками / Д. В. Железнов, Е. М. Тарасов, А. Г. Исайчева, Т. И. Михеева. – DOI 10.15622/SP.50.2 // Труды СПИИРАН. – 2017. – № 1 (50). – C. 32–54. – URL: http://proceedings.spiiras.nw.ru/ojs/index.php/sp/article/view/3436 (дата обращения: 03.11.2020). – Рез. англ.
7. Rosen, Ch. A. Pattern Classification by Adaptive Machines / Ch. A. Rosen. – DOI 10.1126/science.156.3771.38 // Science. – 1967. – Vol. 156, Issue 3771. – Pp. 38–44. – URL: https://science.sciencemag.org/content/156/3771/38 (дата обращения: 03.11.2020).
8. Vapnik, V. N. An Overview of Statistical Learning Theory / V. N. Vapnik // IEEE Trans. Neural Networks. – 1999. – Vol. 10, Issue 5. – Pp. 988–999. – URL: https://www.math.arizona.edu/~hzhang/math574m/Read/vapnik.pdf (дата обращения: 03.11.2020).
9. Попов, А. А. Получение разреженных решений методом LS SVM через построение выборки с помощью методов оптимального планирования и внешних критериев качества моделей / А. А. Попов, Ш. А. Бобоев. – DOI 10.21285/1814-3520-2018-1-100-117 // Вестник Иркутского государственного технического университета. – 2018. – Т. 22, № 1. – С. 100–117. – URL: http://journals.istu.edu/vestnik_irgtu/journals/2018/01/articles/09 (дата обращения: 03.11.2020). – Рез. англ.
10. Support-Vector-Based Fuzzy Neural Network for Pattern Classification / Ch.-T. Lin, Ch.-M. Yeh, Sh.-F. Liang [et al.] // IEEE Transactions on Fuzzy Systems. – 2006. – Vol. 14, Issue 1. – Pp. 31–41. – URL: https://ir.nctu.edu.tw/bitstream/11536/12680/1/000235378000003.pdf (дата обращения: 03.11.2020).
11. Тарасов, Е. М. Исследование информативности признаков при распознавании состояний рельсовых линий / Е. М. Тарасов, В. Л. Герус, А. Е. Тарасова. – DOI 10.15507/0236-2910.028.201802.191-206 // Вестник Мордовского университета. – 2018. – Т. 28, № 2. – С. 191–206. – URL: http://vestnik.mrsu.ru/index.php/en/articles2-en/60-18-2/401-10-15507-0236-2910-028-201802-5 (дата обращения: 03.11.2020). – Рез. англ.
12. Ailem, M. Model-Based Co-Clustering for the Effective Handling of Sparse Data / M. Ailem, F. Role, M. Nadif. – DOI 10.1016/j.patcog.2017.06.005 // Pattern Recognition. – 2017. – Vol. 72. – Pp. 108–122. – URL: https://www.sciencedirect.com/science/article/pii/S0031320317302297?via%3Dihub (дата обращения: 03.11.2020).
13. Pattern Recognition / K. Kulkarni, P. Turaga, A. Srivastava, R. Chellappa. – DOI 10.1002/047134608x.w5513.pub2 – New York : Wiley, 2019. – URL: https://onlinelibrary.wiley.com/doi/abs/10.1002/047134608X.W5513.pub2 (дата обращения: 03.11.2020).
14. Rakcheeva, T. Focal Model in the Pattern Recognition Problem / T. Rakcheeva. – DOI 10.1007/978-3-030-12082-5_12 // Advances in Artificial Systems for Medicine and Education II. AIMEE 2018. – 2018. – Pp. 127–138. – URL: https://link.springer.com/chapter/10.1007%2F978-3-030-12082-5_12 (дата обращения: 03.11.2020).
15. Неделько, В. М. Некоторые вопросы оценивания качества методов построения решающих функций / В. М. Неделько // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. – 2013. – № 3. – С. 123–132. – URL: http://journals.tsu.ru/informatics/&journal_page=archive&id=922&article_id=2381 (дата обращения: 03.11.2020).
16. Hamed, H. A. Pattern Classification / H. A. Hamed, J. H. Elnaz. – DOI 10.1007/978-3-319-57550-6_2 // Guide to Convolutional Neural Networks. – 2017. – Pp. 15–83. – URL: https://link.springer.com/chapter/10.1007%2F978-3-319-57550-6_2 (дата обращения: 03.11.2020).
17. On Ensuring Invariance in Problems of Control of Rail-Line Conduction / E. M. Tarasov, V. B. Teplyakov, V. B. Gumennikov, A. G. Isaicheva. – DOI 10.3103/S1068371217030166 // Russian Electrical Engineering. – 2017. – Vol. 88, Issue 3. – Pp. 105–108. – URL: https://link.springer.com/article/10.3103%2FS1068371217030166 (дата обращения: 03.11.2020).
18. Присухина, И. В. Машинная классификация режима работы электрической рельсовой цепи на основе логистической регрессии / И. В. Присухина, Д. В. Борисенко. – DOI 10.25206/1813-8225-2018-162-126-130 // Омский научный вестник. – 2018. – № 6. – С. 126–130. – URL: https://www.omgtu.ru/general_information/media_omgtu/journal_of_omsk_research_
19. Amari, S. A Theory of Adaptive Pattern Classifiers / S. Amari. – DOI 10.1109/PGEC.1967.264666 // IEEE Transactions on Electronic Computers. – 1967. – Vol. 16, Issue 3. – Pp. 299–307. – URL: https://ieeexplore.ieee.org/document/4039068 (дата обращения: 03.11.2020).
20. Борисенко, Д. В. Машинная классификация режима работы электрической рельсовой цепи на основе логистической регрессии / Д. В. Борисенко, И. В. Присухина, С. А. Лунёв. – DOI 10.25206/1813-8225-2018-160-67-72 // Омский научный вестник. – 2018. – № 4. – С. 67–72. – URL: https://www.omgtu.ru/general_information/media_omgtu/journal_of_omsk_research_
21. Dokukin, A. A. Multilevel Models for Solution of Multiclass Recognition Problems / A. A. Dokukin, V. V. Ryazanov, O. V. Shut. – DOI 10.1134/S1054661816030044 // Pattern Recognition and Image Analysis. – 2016. – Vol. 26, Issue 3. – Pp. 461–473. – URL: https://link.springer.com/article/10.1134%2FS1054661816030044 (дата обращения: 03.11.2020).
22. Geva, S. Adaptive Nearest Neighbor Pattern Classification / S. Geva, J. Sitte. – DOI 10.1109/72.80344 // IEEE Transactions on Neural Networks. – 1991. – Vol. 2, Issue 2. – Pp. 318–322. – URL: https://ieeexplore.ieee.org/document/80344 (дата обращения: 03.11.2020).
23. Присухина, И. В. Совершенствование алгоритмов машинной классификации состояний рельсовых электротехнических систем в составе автоматической локомотивной сигнализации / И. В. Присухина, Д. В. Борисенко. – DOI 10.25206/1813-8225-2019-168-63-69 // Омский научный вестник. – 2019. – № 6. – С. 63–69. – URL: https://www.omgtu.ru/general_
24. Жуков, Д. А. Влияние объема контрольной выборки на качество диагностики состояния технического объекта / Д. А. Жуков, В. Н. Клячкин // Автоматизация процессов управления. – 2018. – № 2. – С. 90–95. – URL: http://apu.npomars.com/images/pdf/52_11.pdf (дата обращения: 03.11.2020). – Рез. англ.
25. Разработка инвариантного обучаемого идентификатора координаты поезда / Д. В. Железнов, А. Г. Котенко, Т. И. Михеева [и др.] // Вестник СамГУПС. – 2017. – № 2. – С. 100–112. – URL: https://www.samgups.ru/upload/iblock/414/414b71f869a65cf53ffca34b7e3aa9d1.pdf (дата обращения: 03.11.2020). – Рез. англ.
26. Tarasov, E. M. Development of an Intelligent System of Determinating the Coordinates and the Speed of the Train / E. M. Tarasov, D. V. Zheleznov. – DOI 10.1515/ttj-2016-0013 // Transport and Telecommunication Journal. – 2016. – Vol. 17, Issue 2. – Pp. 138–143. – URL: https://content.sciendo.com/view/journals/ttj/17/2/article-p138.xml (дата обращения: 03.11.2020).
27. Кравцов, Ю. А. Методика проверки помехоустойчивости приемников тональных рельсовых цепей / Ю. А. Кравцов, А. А. Антонов, М. Е. Бакин // Мир транспорта. – 2015. – Т. 13, № 6. – С. 102–109. – URL: https://mirtr.elpub.ru/jour/article/view/554 (дата обращения: 03.11.2020). – Рез. англ.
28. Myasnikov, E. V. Analysis of Approaches to Feature Space Partitioning for Nonlinear Dimensionality Reduction / E. V. Myasnikov. – DOI 10.1134/S1054661816030147 // Pattern Recognition and Image Analysis. – 2016. – Vol. 26, Issue 3. – Pp. 474–482. – URL: https://link.springer.com/article/10.1134%2FS1054661816030147 (дата обращения: 03.11.2020).
29. Лябах, Н. Н. Автоматизация процесса классификации интеллектуальных транспортных комплексов на основе экспертных систем / Н. Н. Лябах, Н. Г. Умрихин // Вестник Ростовского государственного университета путей сообщения. – 2013. – № 2. – С. 98–103. – URL: http://vestnik.rgups.ru/?p=22 (дата обращения: 03.11.2020). – Рез. англ.
30. Голик, Ф. В. Аппроксимация эмпирических распределений вероятностей полиномами Бернштейна / Ф. В. Голик. – DOI 10.30898/1684-1719.2018.7.5 // Журнал радиоэлектроники. – 2018. – № 7. – URL: http://jre.cplire.ru/jre/jul18/5/abstract_e.html (дата обращения: 03.11.2020). – Рез. англ.
31. Kazanskiy, N. L. Integrated Design Technology for Computer Vision Systems in Railway Transportation / N. L. Kazanskiy, S. B. Popov. – DOI 10.1134/S1054661815020133 // Pattern Recognition and Image Analysis. – 2015. – Vol. 25, Issue 2. – Pp. 215–219. – URL: https://link.springer.com/article/10.1134%2FS1054661815020133 (дата обращения: 03.11.2020).
32. Klyachkin, V. N. The Use of Aggregate Classifiers in Technical Diagnostics, Based on Machine Learning / V. N. Klyachkin, Yu. E. Kuvayskova, D. А. Zhukov // Information Technology and Nanotechnology. – 2017. – Vol. 1903. – Pp. 32–35. – URL: http://ceur-ws.org/Vol-1903/paper7.pdf (дата обращения: 03.11.2020).
33. Обеспечение инвариантности к возмущающим воздействиям в рельсовых линиях / Е. М. Тарасов, Д. М. Железнов, Н. Н. Васин, A. Е. Тарасова. – DOI 10.15507/2658-4123.029.201902.152-168 // Инженерные технологии и системы. – 2019. – Т. 29, № 2. – С. 152–168. – URL: http://vestnik.mrsu.ru/index.php/en/articles2-en/82-19-2/689-10-15507-0236-2910-029-201902-1 (дата обращения: 03.11.2020). – Рез. англ.
Контент доступен под лицензией Creative Commons Attribution 4.0 License.
