Решение задачи предварительного разбиения разнородных данных на классы в условиях ограниченного объема

Введение. В условиях формирования существенно отличающихся по своей природе разнородных данных даже небольшого объема возникает необходимость их анализа для принятия решений. Это характерно для многих высокотехнологичных промышленных областей деятельности человека. Задача может быть решена путем приведения разнородных данных к единому виду с последующим разбиением на кластеры. Вместо поиска решения по каждому элементу данных предлагается использовать разбиение всей совокупности нормированных данных на кластеры, и тем самым упростить процесс вычленения кластера и принятия по нему решения. Метод. Сущность предлагаемого решения состоит в автоматической группировке объектов со схожими данными в кластеры. Это позволяет снизить объем анализируемой информации за счет объединения множества данных и выполнить математические операции уже для кластера. При разбиении предлагается использовать теорию нечеткой логики. Возможность такого подхода связана с тем, что различные объекты всегда имеют несколько признаков, по которым они могут быть объединены. Эти признаки чаще всего не являются явными и плохо формализуются. Основные результаты. Предложена иерархическая модификация метода распределения по нечетким кластерам, основанного на операции (max-min) нечеткого отношения сходства. Рассмотрены основные понятия и определения предлагаемого метода автоматического разбиения совокупности входных данных, поэтапная схема соответствующей кластер-процедуры. Работоспособность предложенного метода продемонстрирована на примере решения задачи формирования потока летательных аппаратов. В качестве исходных данных использована информация, которая имеется у лиц, принимающих решение, и анализируется вручную. Численный эксперимент показал, что разработанный алгоритм позволяет автоматически провести анализ информации и корректно сформировать поток. Обсуждение. Применение предложенной модификации позволяет провести предварительное разбиение данных на кластеры и снизить в дальнейшем объем анализируемых данных. При этом отсутствует необходимость рассматривать объекты в каждом случае отдельно.

1. Светашов А.К. Использование искусственных нейронных сетей для их применения в существующих и перспективных радиосистемах: тематическое исследование // Молодой ученый. 2023. № 22(469). С. 52–58.

2. Алимов Х.Т., Дзамихова Ф.Х., Паровик Р.И. Дробная математическая модель Макшерри // Вестник КРАУНЦ. Физикоматематические науки. 2023. Т. 42. № 1. C. 164–179. https://doi.org/10.26117/2079-6641-2023-42-1-164-179

3. Salimian F., Damiri M., Ramezankhani M., Fariman S.K. Developing a new interval type-2 hesitant fuzzy TOPSIS-based fuzzy best-worst multicriteria decision-making method for competitive pricing in supply chain // Journal of Mathematics. 2022. V. 2022. P. 7879028. https://doi.org/10.1155/2022/7879028

4. Sinitsyn A.V., Lisay N.Yu., Selivanov S.A., Sinitsyn A.A. Development the information systems with fuzzy logic algorithms and network optimization // Информация и инновации. 2023. Т. 18. № 2. С. 33–47. https://doi.org/10.31432/1994-2443-2023-18-2-33-47

5. Gogoi S., Gohain B., Chutia R. Distance measures on intuitionistic fuzzy sets based on cross-information dissimilarity and their diverse applications // Artificial Intelligence Review. 2023. V. 56. Suppl. 3. P. 3471–3514. https://doi.org/10.1007/s10462-023-10608-y

6. Вятченин Д.А. Нечеткие методы автоматической классификации. Минск: Технопринт, 2004. 219 с.

7. Белов М.А., Гришко С.И., Живетьев А.В., Подгорный С.А., Токарева Н.А. Применение методов нечеткой логики для формирования адаптивной индивидуальной траектории обучения на основе динамического управления сложностью курса // Моделирование, оптимизация и информационные технологии. 2022. Т. 10. № 4. С. 7–8. https://doi.org/10.26102/2310-6018/2022.39.4.018

8. Эдгулова Е.К., Тхабисимова М.М., Бозиева А.М. Особенности построения баз знаний в интеллектуальных системах // Информационные технологии в экологии, образовании и бизнесе: материалы конференции. Нальчик: КБГУ, 2021. С. 168–174.

9. Zhan Q., Jin L., Yager R.R., Mesiar R.. A novel three-way decision method for interval-valued hesitant fuzzy environment // Soft Computing. 2023. V. 27. N 17. P. 12289–12307. https://doi.org/10.1007/s00500-023-08259-w

10. Zhao S., Wang D., Changyong L., Lu W. Induced choquet integral aggregation operators with single-valued neutrosophic uncertain linguistic numbers and their application in multiple attribute group decision-making // Mathematical Problems in Engineering. 2019. V. 2019. P. 9143624. https://doi.org/10.1155/2019/9143624

11. Zhang Y., Li P., Wang Y., Ma P., Su X. Multiattribute decision making based on entropy under interval-valued intuitionistic fuzzy environment // Mathematical Problems in Engineering. 2013. V. 2013. P. 526871. https://doi.org/10.1155/2013/526871

12. Tamura S., Higuchi S., Tanaka K. Pattern classification based on fuzzy relations // IEEE Transactions on Systems, Man, and Cybernetics. 1971. V. SMC-1. N 1. P. 61–66. https://doi.org/0.1109/TSMC.1971.5408605

13. Сидоров Д.С., Белов М.А. Проектирование аппаратно-программных комплексов в учебном процессе c применением виртуальной компьютерной лаборатории // Системный анализ в науке и образовании. 2020. № 2. С. 70–82. https://doi.org/10.37005/2071-9612-2020-2-70-82

14. Viattchenin D.A. A new heuristic algorithm of fuzzy clusteri ng // Control & Cybernetics. 2004. V. 33. N 2. P. 323–340.

15. Вятченин Д.А. Параметры AFC-метода нечеткой кластеризации // Вестник ВА РБ. 2004. № 4. С. 51–55.

16. Han Y., Huang Y., Jia S., Liu J. An interval-parameter fuzzy linear programming with stochastic vertices model for water resources management under uncertainty // Mathematical Problems in Engineering. 2013. V. 2013. P. 942343. https://doi.org/10.1155/2013/942343

17. Миловидова А.А., Черемисина Е.Н., Добрынин В.Н. Алгоритм определения типа и параметров функции принадлежности нечёткого измерителя // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2019. № 9. С. 69–74.