Мета дослідження - підвищення функціональної ефективності машинного навчання системи функціонального діагностування (СФД) багатоканатної шахтною підйомною машиною (ШПМ) шляхом кластер-аналізу діагностичних ознак. Для досягнення мети необхідно вирішити такі завдання: формалізувати постановку задачі інформаційного синтезу здатної навчатися СФД, яка функціонує в режимі кластер-аналізу діагностичних ознак; запропонувати категорійну модель і на її основі розробити алгоритм інформаційно-екстремального кластер-аналізу діагностичних ознак, в процесі інформаційно-екстремального машинного навчання СФД здійснити фазифікацію вхідних нечітких даних шляхом оптимізації геометричних параметрів гіперсферичних контейнерів класів розпізнавання, які характеризують можливі технічні стани об'єкту діагностування; запропонований алгоритм реалізувати на прикладі інформаційного синтезу СФД багатоканатної ШПМ. Об'єктом дослідження є процеси інформаційного синтезу здатної навчатися (СФД, інтегрованої в автоматизовану систему керування багатоканатної ШПМ. Предметом дослідження є категорійні моделі, алгоритм інформаційно-екстремального машинного навчання СФД, яка функціонує в режимі кластер-аналізу діагностичних ознак та вирішальні правила. Методи дослідження базуються на ідеях і методах інформаційно-екстремальної інтелектуальної технології аналізу даних, теоретико-інформаційного підходу до оцінки функціональної ефективності машинного навчання та на геометричному підході теорії розпізнавання образів. Отримано такі результати: запропоновано категорійну модель і на її основі розроблено та програмно реалізовано алгоритм інформаційно-екстремального машинного навчання СФД багатоканатної ШПМ, який дозволяє автоматично формувати вхідну класифіковану нечітку навчальну матрицю, що суттєво зменшує часові та матеріальні витрати при створенні вхідного математичного опису. Отриманий результат було досягнуто шляхом кластер-аналізу структурованих векторів діагностичних ознак, отриманих за архівними даними для трьох класів розпізнавання, з використанням процедури k-середніх, Як критерій оптимізації параметрів машинного навчання розглядалася модифікована міра Кульбака у вигляді функціонала від точнісних характеристик діагностичних рішень і дистанційних критеріїв близькості класів розпізнавання. За отриманими в процесі машинного навчання оптимальними геометричними параметрами контейнерів класів розпізнавання побудовано вирішальні правила, які дозволили класифікувати вектори діагностичних ознак класів розпізнавання із достатньо високою повною ймовірністю прийняття правильних діагностичних рішень. Висновки: наукова новизна отриманих результатів полягає в розробленні нового методу інформаційного синтезу СФД багатоканатної ШПМ, яка функціонує в режимі кластер-аналізу, що дозволило автоматично формувати вхідну класифіковану нечітку навчальну матрицю з наступною її дефазіфікацією в процесі інформаційно-екстремального машинного навчання системи.

 Наукова періодика України 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Зимовець Вікторія Ігорівна (технічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"