Разработка математических моделей и алгоритмов классификации динамических объектов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Аль Хашеди Адам Абдо Ахмед

• Аль Хашеди Адам Абдо Ахмед
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Аль Хашеди Адам Абдо Ахмед

Введение

ГЛАВА 1. СОВРЕМЕННЫЕ СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИИ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ

1.1 Исторические аспекты распознавания образов

1.2 Понятие и содержание категории «распознавание образов»

1.3 Области применения методов распознавания образов

1.4 Классификация и кластерный анализ

1.5 Классификация процедуры обучения

1.6 Обучение распознаванию образов с учителем. Искусственные нейронные сети. Метод обратного распространения ошибки

1.7 Классификация с помощью решающих функций

1.8 Алгоритм Хо-Кашьяпа

1.9 Метод Байеса

1.10 Классификация с помощью функций расстояния

1.11 Алгоритмы кластеризации

1.11.1 Постановка задачи кластеризации

1.11.2 Полносвязывающий метод. Алгоритм максиминного расстояния

1.11.4 Алгоритм БОЯБЬ

1.11.5 Кластеризации полным перебором

ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО АППАРАТА, АЛГОРИТМА И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЭВОЛЮЦИОННОЙ МОДЕЛИ РАСПОЗНОВАНИЯ ОБРАЗОВ

2.1 Экспертиза методов, используемых в различных задачах распознавания образов

2.2 Разработка математической модели динамической кластеризации в задачах распознавания образов

2.2.1. Математический аппарат

2.2.3. Схема алгоритма динамической кластеризации

2.3 Результаты исследования и экспериментальные данные алгоритма динамической кластеризации

2.3.1 Пример использования алгоритма динамической кластеризации в задачах распознавание образов

2.3.2 Пример применения алгоритма динамической кластеризации в задачах распознавания образов в трехмерном пространстве

2.4 Математическое моделирование процессов эволюции кластерных образований

2.5 Апробация алгоритма динамической кластеризации в пространстве больших данных

ГЛАВА 3 РАЗРАБОТКА КОМПЛЕКСА МОДЕЛЕЙ ОБУЧЕНИЯ И

КЛАССИФИКАЦИИ ОБЪЕКТОВ

3.1 Структура и состав комплекса прикладных программ

3.2. Алгоритм образования новых классов

3.3. Модель классификации объектов на основе теории Байеса

3.3.1 Описания процедуры классификации

3.3.3. Результаты применения алгоритма классификации объектов на основе теории Байеса

3.4 Модуль построения и обучения нейронной сети для распознавания образов

3.4.1 Алгоритм построения искусственных нейронных сетей

3.4.2. Алгоритм обучения нейронной сети методом обратного

распространения ошибки

3.4.3 Примеры применения алгоритмов в обучения и построения нейронной сети

ГЛАВА 4 Разработка программного обеспечения системы классификации объектов

4.1 Разработка программного обеспечения самоорганизующихся систем коммуникационных услуг

4.2 Разработка программного обеспечения систем динамической

кластеризации объектов

4.3. Разработка API (Application programming interface) классификации объектов

Заключение

^исок литературы

Приложение 1. Листинг

Приложение 2. Акты о внедрении

Приложение 3. Интерфейс программного обеспечения

Введение диссертации (часть автореферата) на тему «Разработка математических моделей и алгоритмов классификации динамических объектов»

Введение

Актуальность темы исследования. Круг областей человеческой деятельности, где встречаются задачи, связанные с проблемой распознавания образов, чрезвычайно обширен и продолжает неуклонно расширяться. Системы медицинской диагностики, образовательные SMART-системы, разного рода системы охраны и сигнализации, системы поиска и обработки информации, [1-4]- вот далеко не полный список тех сфер, где востребованность этих задач не вызывает сомнений.

Явление информационной глобализации, характерное для современного мира, определяется прежде всего чрезвычайно большими объемами информации и значительным числом классифицирующих признаков. Это актуализировало разработки новых математических моделей и высокопроизводительных алгоритмов для описания и обработки информационных потоков.

В настоящее время существует ряд техник, используемых в задачах распознавания образов, тем не менее, повышение эффективности распознавания с применением более совершенных алгоритмов классификации на основе новых математических моделей является важным и актуальным.

Одним из наиболее актуальных направлений в области анализа и обработки данных является построение математических и программных приложений для распознавания образов в потоках данных. В настоящее время существует такое понятие как Big Data.

Big Data - это данные, которые не могут быть быстро обработаны и анализированы с помощью простых программ, таких как Excel. Все явление и процессы, происходящие в мире являются источниками больших данных, такие как изменение климата, аэронавигация, транспортный трафик и коммуникационные трафики. Объем цифровых данных в современном мире увеличился и постоянно возрастает, мир «производит» каждые 10 минут почти 2.7 Zettabyte цифровых данных. Несмотря на наличие современных технологий и программ, человек в настоящее время контролирует только 1% всех мировых цифровых данных, а остальные данные вне возможностей человеческого

контроля. При этом наряду с повышением уровня технических средств все большую роль играют методы обработки данных, улучшающие восприятие, анализ, распознавание образов для принятия решений и управления поведением технических систем.

Одной из ключевых проблем, возникающих при обработке информационных потоков, является проблема классификации, т.е. отнесения каждого объекта, обнаруженного информационной системой, к соответствующему классу по наличию некоторых характерных признаков, которое возникает при решении многих практических задач: программное обеспечение для анализа данных пользователей, чтобы воспользоваться этими данными в разных и полезных областях, например, антинаркотическая сфера, антиэкстремизм, антитерроризм. Некоторые организации анализируют данные пользователей для произведения новых продуктов, модификаций и улучшение их характеристик или прогнозирование стилей и поведения пользователей. Например, анализ данных студентов помогает внедрить улучшения в сфере образования, здравоохранения и др.

Создание и моделирование адаптивных нейронных сетей рассматривается как наиболее востребованное направление в решении многих проблем искусственного интеллекта и в системах интеллектуального анализа данных. Синонимами термина «интеллектуальный анализ данных» являются добыча данных (Data mining), обнаружение знаний (knowledge discovery).

Интеллектуальный анализ данных связан с поиском скрытых нетривиальных и полезных закономерностей, позволяющих получить новые знания об исследуемых данных. Особенный интерес к методам анализа данных возник в связи с развитием средств сбора и хранения данных, позволяющим накапливать большие объемы информации.

Перед специалистами из разных областей науки встал вопрос об обработке цифровых собираемых данных, превращения их в знания и использования для развития различных отраслей. Известные статистические методы показывают лишь часть нужд по обработке данных при небольших объемах данных, и для их

использования необходимо иметь четкое представление об искомых закономерностях. В такой ситуации методы интеллектуального анализа данных приобретают особую актуальность. Их основная особенность заключается в установлении наличия и характера скрытых закономерностей в данных.

Среди методов интеллектуального анализа данных особое место занимают классификация и кластеризация. Классификация, при известной заранее группировке данных на подмножества (классы), устанавливает закономерность, по которой данные группируются именно таким образом, для решения таких задач используется искусственные нейронные сети. Поэтому в работе были разработаны новые алгоритмы для построения и обучения нейронных сетей. Искусственная нейронная сеть (ИНС), представляет собой математическую модель параллельных вычислений, содержащую взаимодействующие между собой искусственные нейроны. Преимуществом нейронных сетей перед традиционными алгоритмами является возможность их обучения.

Обучение ИНС может вестись с учителем или без учителя. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синоптических связей.

Во втором случае выходы ИНС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. Существует большое множество алгоритмов обучения, которые, однако, делятся на два класса: детерминистские и стохастические. В первом подстройка весов представляет собой жесткую последовательность действий, во втором - она производится на основе действий, подчиняющихся некоторому случайному процессу.

Кластеризация же, основываясь на установленном отношении схожести элементов, устанавливает подмножества (кластеры), в которые группируются входные данные. В широком круге задач разработали новых математических моделей и алгоритмов в области кластерного анализа и программное обеспечения

для применения разработанных методов кластеризации, в которых элементы входного множества относят к тому или иному кластеру.

Нами предложена новая математическая модель динамической кластеризации, являющаяся одной из новых не рассматриваемых задач интеллектуального анализа данных. Однако, актуальной является разработка метода кластеризации, свободного от указанных допущений и обеспечивающего разделение только на базе отношений на исследуемых данных.

В настоящее время одним из актуальных вопросов информационных технологий в области искусственных интеллектов является проблема распознавания и классификации образов с применением принципиально новых методов и алгоритмов, на основе разработанных новых математических моделях. Налаженные нейронные сети можно применять для решения самых различных задач, от восстановления пропусков в данных до анализа и поиска закономерностей. В настоящей работе рассматривается математическое моделирование и проводится апробация вычислительных алгоритмов искусственной нейронной сети и кластерного анализа, позволяющие распознавать образы.

Цель и задачи исследования

Целью исследования является разработка математических моделей, алгоритмов и программных комплексов ориентированных на решение задач распознавания образов с произвольной размерностью пространства классифицирующих признаков при наличии динамических изменений. Для достижения цели необходимо решить следующие задачи:

1. Разработать алгоритм с возможностями саморазвития и самоорганизации, который бы мог эффективно использоваться для решения задач распознавания независимо от размерности пространства признаков;

2. Построить математическую модель самоорганизующейся системы эволюционирующих кластеров и указать технику ее использования для решения задач эффективного управления и прогнозирования;

3. Разработать и апробировать алгоритмы кластеризации, действующие на заданном множестве, характеризующих признаков определенной предметной области;

4. Создать специализированный программный комплекс для практической реализации этих алгоритмов;

5. Разработать алгоритмы классификации объектов на основе Байесовских процессов;

6. Провести экспериментальные исследования эффективности разработанных методов;

Объектом исследования. Является классификация объектов в задачах распознавания образов.

Предметом исследования. Является математическое моделирование классификации динамических объектов в задачах распознавания образов.

Методы исследований. При решении поставленных задач использовались методы вычислительной математики, методы математической статистики, анализ временных рядов, теория искусственных самоорганизующихся нейронных сетей для графических массивов базы данных с применением процесса распознавания с учителем, алгоритмы обратного распространения ошибки, теория кодирования/декодирования, математическая модель персептрона а также методы объектно-ориентированного программирования (ООП) на языке Java в среде Netbeans. Научная новизна

1. На основе аппарата кластерного анализа разработана математическая модель динамической кластеризации применительно к решению задач распознавания образов.

2. Разработан самоорганизующийся алгоритм для моделирования и анализа динамических процессов в задачах распознавания образов, учитывающий эволюционные изменения кластерных образований.

3. Показано, что кластеры следует рассматривать как динамические образования, изменяющиеся под воздействием потока распознаваемых образов.

4. Разработан алгоритм кластеризации работоспособный в пространстве больших данных.

Теоретическая значимость работы состоит в следующем:

0 Проведена экспертиза методов, используемых в различных задачах распознавания образов и получено статистическое подтверждение ее результатов.

0 Предложена математическая модель для решения задачи распознавания образов с помощью самоорганизующейся кластерной структуры.

0 С помощью аппарата анализа временных рядов исследован процесс эволюционных изменений кластерных образований.

0 На основе вероятностного подхода построены модель и алгоритм вычислительной процедуры, позволяющий идентифицировать принадлежность объекта к определенному классу предметной области. Практической значимостью работы является следующее:

0 Разработан и апробирован алгоритм динамической кластеризации, действующий на заданном множестве характеризующих признаков определенной предметной области.

0 Разработан специализированный программный комплекс для практической реализации алгоритмов .

0 Разработано математическое и программное обеспечение на основе предложенной модели динамической кластеризации для классификации запросов-задач коммуникационных услуг, пригодное для практического использования в режиме онлайн. Реализация результатов работы

Результаты диссертационной работы использованы в более чем 50 проектах, функционирующих в режиме онлайн на территории государства Йемен а также в компании «Дельтаинком» (г. Казань).

Степень достоверности и апробация результатов. Достоверность полученных результатов исследования подтверждается корректным применением математического аппарата и широким спектром публикаций и выступлений на Международных конференциях: Международная научно-практическая конференция «Электронная Казань 2016», (г. Казани - 2016г.), Международная научно-практическая конференция «Наукосфера», (г. Смоленск - апреля 2016г.), Международная научно-практическая конференция «Электронная Казань 2017», (г. Казани - 2017г.), Международная научно-практическая конференция «Электронная Казань 2018», (г. Казани - 2018г.), Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации XIV Международной научно-практической конференции «Наука и Просвещение» (г. Пенза - 2018г.). Публикации

По теме диссертации опубликовано 16 работ, в том числе 11 статей, 10 из которых в журналах, рецензируемых ВАК, 16 работ изложены в сборниках материалов международных и всероссийских научно-практических конференций. Автор лично принимал непосредственное участие в создании математических моделей, разработке программного обеспечения и внедрении результатов исследований.

Структура и объем работы

Основное содержание диссертационной работы изложено на 166 страницах

машинописного текста, содержит 45 рисунков, 24 таблиц и состоит из введения, четырёх глав, заключения, списка литературы, содержащего 140 наименований, и 3 приложений.

ГЛАВА 1. СОВРЕМЕННЫЕ СОСТОЯНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИИ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ 1.1 Исторические аспекты распознавания образов

Авторы в некоторых источниках пишут, что первые попытки автоматизации процесса распознавания образов относятся к началу 1950 - годов. В это время компьютеры уже стали широко используемым средством для обработки информации. Цель этих исследований заключается в разработке систем распознавания печатных знаков - букв и цифр [5]. Одна из первых моделей запоминания и организации данных, реализуемых по приницпу человеческого мозга, была предложено Розенблаттом в 1950 году на основе персептрона. До этого времени в 40-е годы уже искусственные нейронные сети выделились как отдельный научный предмет. Исследователи в этом направлении создали аппаратные и программные модели биологического нейрона и его связей.

Целью этих моделей является воспроизведение функций человеческого мозга[6]. Позднее такими моделями стали называть персептроны. Первые попытки исследователей привели к грубым аппроксимациям, прежде чем они достигли более глубокого понимания неравной системы человека. Впечатляющие результаты первых попыток на персептронах стимулировали дальнейшие исследование, что привело к созданию более совершенных сетей.

Inputs

Рис. 1.1. Схема персептрона нейроны сети Искусственные нейронные сети были впервые изучены систематически в 1943 году Маклаком и Питтсом[7].

На рис. 1.1 показана простая нейронная модель, которую они использовали в своей работе в большей части. На вход этой схемы поступают двойничный сигнал х", который умножается на вес Ш" , и затем суммируется. Значение на выходе персептрона зависит от значения суммы, если значение этой суммы больше значения заданного передела, то выход равен единице или нулю. Как мы отметили ранее, такие системы и им подобные называются персептронами.

В 60-е годы персептроны широко распространились и получили большой интерес и оптимизмом. В это время Розенблатт доказал прекрасную теорему об обучении персептрона[8]. Также Уидроу было предложено несколько убедительных представлений о системах персептронов, что вызвал интерес у исследователей во всем мире к изучению возможностей этих систем. В начале исследований оказалось, что персептроны не могут обучаться решению ряд простых задач, что приводило к разочарованию. Но эти проблемы были решены Минским, когда он анализировал проблему и выяснил ограничения однослойных персептронов, а также их способности в выполнении задач и обучении [9]. Однако в это время многослойные персептроны и их методы обучения не существовали, а исследователи перешли на новые области, в которых методы однослойных персептронов стали не эффективными. Появление новых методов обучения многослойных персептронов вызвало новый интерес у исследователей.

Исследования методов создания систем распознавания образов в 60-х годах возрастало в зависимости от степени использования вычислительных машин и потребности в увеличения скорости и эффективности взаимодействия между человеком и машиной [6].

К аналитическим методам был предложен дополнительный синтаксический поход для использования результатов теории машинных языков при решении конкретных типов задач и распознавании визуальных образов [10].

Информационный взрыв в 70-х годах стал одним из главных проблем, вызывающих интерес к развитию теорий и методов построения систем автоматического распознавания образов [10].

Психологии предположили, что к 2000 году возможность человеческого мозга усваивать повышенный поток информаций станет мучительным.

Задачи распознавания образов имеют большую практическую значимость. Термины «распознавание образов» и «классификации образов» являются частично взаимозаменяемыми[11].

В некоторых областях науки данные термины рассматриваются как разные, каждый из которых обладает своими сферами применения и эти термины интерпретируются в зависимости от специфики задач.

1.2 Понятие и содержание категории «распознавание образов»

Распознавание образов - это одна из видов машинного обучения, которое фокусируется на распознавании образа и закономерностей в информационных данных [12].

Шаблон может быть определен как объект, которому может быть присвоена функция - образ отпечатка пальца, узор рукописного ввода, образ человеческих лица, образ голосовых сигналов или шаблон последовательности БКЛ[12]. Распознавание образов - это определенная техника, которая классифицируется как вид машинного обучения, которая наделяет машину возможностью понимать окружающую среду и другие сферы нашей жизни. Распознавание образов также используется для принятия более точных и подходящих решений для каждой категории образа [11].

Существует три типа процедуры обучения, используемые для распознавания образов, т.е. обучение с учителем, которое предполагает предоставление обучающей выборки. Второй тип обучения - это обучение без учителя, которое заключается в нахождении соответствующих образов в информационных данных без предоставления обучающей выборки для обнаружения образа. Третий тип обучения - полуконтролируемое обучение,

которое использует комбинацию меченых и немеченых данных для классификации объектов.

Кроме того, существуют различные области применения распознавания образов: анализ изображения [13], классификация при поиске в Интернете, извлечение мультимедийных баз данных, распознавание речи[14], обработка текста на естественном языке [15], биометрическое распознавание [16], медицинское распознавание[1], автоматического распознавания целей в военной сфере[17], используя оптическое, инфракрасное изображение и дистанционное зондирование и т. д. Важность и ценность реальных проблем, которые могут быть решены с помощью распознавания образов, подтверждается определением различных методов распознавания и классификации объектов, предложенных в современной литературе (статистическое распознавание образов, искусственная нейронная сеть и машина опорных векторов и т. д.).

Существуют различные исследования, проведенные для анализа эффективности методов распознавания образов в различных областях.

Определенная информация (например, результаты измерений) доступная о каждом элементе набора, и при этом у нее есть особенность, которой обладает только частью данного элемента. Если обладание этой особенностью элемента отсутствует, очевидно, что в доступной информации возникает проблема по выявлению элементов, обладающих этой особенностью. Эту проблему можно решить, построив модель на основе механических, физических, химических или других научных данных, которые могли бы объяснить взаимосвязь между доступным источником информации и рассматриваемой функцией. Но во многих случаях сложность системы делает применение такой модели практически невозможной, поэтому целесообразно применять методы распознавания образов. 1.3 Области применения методов распознавания образов

Обнаружение зон, подверженных землетрясениям (ОеИапё е! а1., 1976)[18-21]. Проблема состоит в том, чтобы определить в регионе области, где возможны сильные землетрясения (с магнитудой М > М0, где М0 - заданный

порог). Объектами являются выбранные геоморфологические структуры (пересечения линеаментов, морфоструктурные узлы, и т. д.) региона. Возможность сильного землетрясения вблизи объекта - это рассматриваемая задача. Доступная информация - это топографические, геологические, геоморфологические и геофизические данные объектов. Проблема распознавания образов состоит в том, чтобы разделить выбранные структуры на два класса: структуры, в которых могут возникать землетрясения с магнитудой М> М0; структуры, в которых могут возникнуть только землетрясения с магнитудой М< М0.

Определение пластов богатых углеводородами. [22,23]

Рассматриваются слои, встречающиеся в скважине. Проблема заключается в том, чтобы определить, какие слои содержат нефть или воду. Объектами являются слои, заполненные нефтяными пластами, определение которых является рассматриваемой задачей. Доступная информация - это геолого-геофизические данные, измеренные для пластов. Проблема распознавания образов состоит в том, чтобы разделить слои на два класса: пласты, содержащие нефть; пласты, не содержащие нефть. Медицинская диагностика. [22,23]

Рассматривается конкретное заболевание. Проблема заключается в том, чтобы диагностировать болезнь с использованием результатов медицинских тестов. Объекты рассматриваются людьми. Болезнь - это задача на рассмотрении. Доступная информация - это данные, полученные с помощью медицинских тестов.

Проблема как распознавания образов состоит в том, чтобы разделить исследованных людей на два класса:

• люди, у которых есть болезнь;

• люди, у которых нет болезни.

1.4 Классификация и кластерный анализ

Множество Ш делится на группы (кластеры) (см. рис.1.2) на основе некоторой меры в т —мерном пространство ш, ,ш2,..., №т.

С1аз1ег 1 ааэгег 2

а ® ®

ф Ф А (В

* ♦ ® *

ф ф ® ®

ф Ф (9 ®

С^ег 3 ®

Я П

1 1 I

и С1аэ1ег 4 А ^

Я А

А А

Рис. 1.2. Кластеризация объектов в двумерном пространстве

Обозначено р (w, v) расстояние между двумя т —мерными векторами w = (w,, w2, ...,wm) и v= (v,, v-, ...,vm).

Определить классификацию и оценить в то же время ее особую функцию. Наилучшая классификация дает экстремум этой функции.

Примеры функций. [23] Пусть W — конечное множество. Могут быть использованы следующие две функции.

. (к — 1)Т.кк=1рк .

J1 = yiK-i^iK--> тт

К-1 к

^ min

,k=1 k=1j=k+1

Здесь К —число групп,

mk-1 mk

Pk = mk(mk — Z p(^s)

i=1 S=iA1

17

01 0К

@ "=1 5=1

т< , т@ числа объектов в группе с номером к и в группе с номером ]

соответственно; ш1, ш2,..., ш01 являются объектами группы с номером к; V1, V2,..., V01 являются объектами группы с номером /;

После определения групп можно сформулировать следующую проблему: найти общую особенность объектов, принадлежащих к одной и той же группе.

1.5 Классификация процедуры обучения

Если заранее известно о некоторых объектах, к каким конкретно группам (классам) они относятся, то эта информация может использоваться для определения классификации для других объектов.

В исследовании [23] множество Ш, разделенное на два класса, например, И и N.

Даны априорные примеры объектов каждого класса. Их называют тренировкой множества Ш0: с Ш,

И/о = Э0 и Ы0.

Здесь И0 — обучающая выборка (априорные примеры) объектов, принадлежащих классу Б, и Ы0 — обучающая выборка (априорные примеры), принадлежащих классу N.

Обучающая выборка Ш0 используется для определения априорно неизвестного распределения объектов множество Ш0 между классами Б и N.

Результат распознавания образов:

правило признания, оно позволяет распознавать к какому классу принадлежит объект зная вектор w¿ характеризующий этот объект;

фактическое разделение объектов на отдельные классы в соответствии с этим правилом (рис.1.3): Ш = И и N, если есть объекты с неопределенной классификацией, тогда Ш = ф и М) и и.

Анализ полученного правила признания даст информацию для понимания связей между характеристикой, которая отличается классами Б и N с одной стороны, и описанием объектов (компонентов векторов w¿) с другой.

Множество \Л/ и обучающие выборки Результат классификации

00 и и^ = (я и /V) и и

Рис. 1.3. Классификация процесса с обучением

1.6 Обучение распознаванию образов с учителем. Искусственные нейронные сети. Метод обратного распространения ошибки

В области распознавания образов используются много подходов, одним из которых является применение стандартных моделей классификаторов, обучающихся с учителем.

В таких моделях для их обучения используются отмеченные выборки данных, которые состоят из двух массивов (массив объектов и соответствующим массив отметок), которые определяют классы, к которым относятся объекты.

Во время обучения массив данных разделяется на две части неодинаковых по размеру. Затем с помощью модели определенного правила конкретного алгоритма обучения, параметры моделей накладываются с помощью обучающей выборки таким образом, чтобы в качестве входных данных объектов модель присваивала на выходе отметку классу, к которому данный объект принадлежит.

Данный подход состоит из множества моделей.

В среде этих моделей наиболее распространенными и широко используемыми являются модель обратного распространения ошибок, многослойная искусственная нейронная сеть, векторный метод, дерево решений и коллекции моделей, которые являются совокупностью перечисленных моделей [24,25].

В многослойных персептронах обучение осуществляется с помощью метода обратного распространения ошибок. Данный метод в широком масштабе используется для распознавания различных классов картин, таких как рукописные символы[26], почерк[27], лица людей[28], данные визуальных датчиков роботизированных систем[29].

Список литературы диссертационного исследования кандидат наук Аль Хашеди Адам Абдо Ахмед, 2018 год

- 479 с.

89. Елисеева И. И., Юзбашев М. М. Общая теория статистики: Учебник / Под ред. И. И. Елисеевой. — 4-е издание, переработанное и дополненное. — Москва: Финансы и Статистика, 2002. — 480 с.

90. Суслов В. И., Ибрагимов Н. М., Талышева Л. П., Цыплаков А. А. Эконометрия.

— Новосибирск: СО РАН, 2005. — 744 с.

91. Шмойловой Общая Р. А. теория статистики: Учебник / Под ред. Р. А. Шмойловой. — 3-е издание, переработанное. — Москва: Финансы и Статистика, 2002. — 560 с.

92. Гмурман В. Е., Руководство к решению задач по теории вероятностей и математической статистике. Учеб. пособие для втузов. Изд. 2-е, доп. М., «Высш. Школа», 1975. 333с.

93. Rao V. S. Comparative Investigations and Performance Analysis of FCM and MFPCM Algorithms on Iris data / V. S. Rao, Dr. S. Vidyavathi // Indian Journal of Computer Science and Engineering, vol.1, no.2, 2010 pp. 145-151.

94. Griffin G. Learning and using taxonomies for fast visual categorization / G. Griffin, P. Perona // Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2008. P. 1-8.

95. Ilango M. A survey of grid based clustring algorithms / M. Ilango, V. Mohan // Intern. J. Of Eng. Sci. And Technjljgy.-2010.-Vol.2(8).-P.3441-3446.

96. Печеный Е.А. Математическая модель динамической кластеризации в задачах распознавания образов / Е.А. Печеный, А.А. Аль Хашеди, Н.К. Нуриев // Современные наукоемкие технологии. №5, 2018, С. 124-130.

97. Deza, Elena; Deza, Michel Marie (2009). Encyclopedia of Distances. Springer. p. 94.

98. Игнатьев Н. А. Кластерный анализ данных и выбор объектов-эталонов в задачах распознавания с учителем / Н. А. Игнатьев // Вычислительные технологии. Том 20, № 6, 2015, 36-45С.

99. Shaukat K. Dengue Fever in Perspective of Clustering Algorithms / K. Shaukat, N. Masood, A.B. Shafaat, K. Jabbar, H. Shabbir, et al // J Data Mining Genomics Proteomics. 6:176. (2015), doi: 10.4172/2153-0602.1000176.

100. Ximing Lv. Research on P2P Network Loan Risk Evaluation Based on Generalized DEA Model and R-Type Clustering Analysis under the Background of Big Data / Lv. Ximing, Lan Zhou, Xiaona Guo // Financial Risk Management Vol.6 No.2, (2017), PP. 163-190.

101. Аль Хашеди А.А. Разработка математической модели распознавания запросов-задач коммуникационных услуг / А.А. Аль Хашеди, А.А. Обади, Н.К. Нуриев, Е.А. Печеный // Фундаментальные исследования. - 2017. - № 6. - С. 9-14.

102. Эконометрика, под ред. И. И. Елисеевой, -Учебник, М.: финансы и статистика, 2001, 334с.

103. Александрова Н. В. История математических терминов, понятий, обозначений: словарь-справочник. — 3-е изд.. — М.: ЛКИ, 2008. — 248 с.

104. Мишулина О. А. Статистический анализ и обработка временных рядов. — М.: МИФИ, 2004. — С. 180.

105. Шмойлова Р. А. Общая теория статистики: Учебник. — М.: Финансы и статистика, 2002.

106. Box, George; Jenkins, Gwilym Time series analysis: forecasting and control, rev. ed. // Oakland, California: Holden-Day. — 1976.

107. Enders, W. Applied Econometric Time Series. John Wiley & Sons, 1995.

108. Воскобойников Ю. Е.. Эконометрика в Excel : учеб. пособие. Ч. 2. Анализ временных ря-дов / Ю. Е. Воскобойников ; Новосиб. гос. архитектур.-строит. ун-т.-Новосибирск : НГАСУ (Сибстрин), 2008. - 152 с.

109. Ярушкина Н.Г. Интеллектуальный анализ временных рядов / Н.Г. Ярушкина, Т.В. Афанасьева, И.Г. Перфильева. - М.: учебное пособие. Ульяновск: УлГТУ, 2010. - 320 с.

110. Шанченко, Н. И. Ш 20 Эконометрика: лабораторный практикум / Н. И. Шанченко - Ульяновск: УлГТУ, 2004. - 79 с.

111. Валеев Н.Н. Анализ временных рядов и прогнозирование/ Н.Н. Валеев, А.В. Аксянова, Г. А. Гадельшина // учебное пособие. КГТУ, 2010.— 160 с.

112. Ruey S. Tsay. Multivariate Time Series Analysis: With R and Financial Applications. John Wiley & Sons, 2013, 520p.

113. Линник Ю. В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений. — 2-е изд. — М., 1962. (математическая теория).

114. Айвазян С. А. Прикладная статистика. Основы эконометрики. Том 2. — М.: Юнити-Дана, 2001. — 432 с.

115. Доугерти К. Введение в эконометрику: Пер. с англ. — М.: ИНФРА-М, 1999. — 402 с.

116. Кремер Н. Ш., Путко Б. А. Эконометрика. — М.: Юнити-Дана, 2003-2004. — 311 с.

117. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. — М.: Дело, 2007. — 504 с.

118. Эконометрика. Учебник / Под ред. Елисеевой И. И. — 2-е изд. — М.: Финансы и статистика, 2006. — 576 с.

119. Аль Хашеди А.А. Анализ эффективности алгоритмов классификации на больших данных / А.А. Аль Хашеди, Е.А. Печеный, Н.К. Нуриев // «Наука и Просвещение». - Пенза: МЦНС, 2018. C. 130-134.

120. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983.

121. Журавлёв Ю.И. Распознавание. Классификация. Прогноз. Математические методы и их применение. Вып.2. М.: Наука, 1989.

122. Чабан Л.Н. Теория и алгоритмы распознавания образов. Учебное пособие. М.: МИИГАиК. 2004. -70с.

123. Чубукова И. А. Data Mining. Учебное пособие. - М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 382 с.: ил., табл. - (Серия «Основы информационных технологий»).

124. Патрик Э. А. Основы теории распознавания образов / Пер. с англ.; под ред. Б. Р. Левина. - М.: Советское радио, 1980. - 407 с.

125. Goswami J.C. Fundamentals of wavelets. Theory, algorithms, and applications / J.C. Goswami, A. K. Chan. - Wiley, 2000. - 359 c.

126. Аль Хашеди А.А. Разработка математического и программного обеспечения задач распознавания образов на основе персептрона / А.А. Аль Хашеди, А.А. Обади, Н.К. Нуриев // Вестник технологического университета. ун-та. 2017. №11. С. 8589.

127. Y. Le Cun. Handwritten Digit Recognition with a Back-Propagation Network / Y. Le Cun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, and L. D. Jackel. // AT&T Bell Laboratories, Holmdel.N. J. 07733. (2014). 396-404p.

128. Zamora-Martínez F. Neural network language models for off-line handwriting recognition / F. Zamora-Martínez. V. Frinken, S. España-Boquera, M. Castro-Bleda, A. Fischer, H. Bunke // Pattern Recognition, 47 (4) (2014), pp. 1642-1652.

129. Young S. Hierarchical spatiotemporal feature extraction using recurrent online clustering / S. Young, A. Davis, A. Mishtal, I. Arel // Pattern Recognition Letters, 37 (2014), pp. 115-123.

130. Yin J. A developmental approach to structural self-organization in reservoir computing / J. Yin, Y. Meng, Y. Jin // IEEE Transactions on Autonomous Mental Development, 4 (4) (2012), pp. 273-289.

131. Yamins D. Hierarchical modular optimization of convolutional networks achieves representations similar to macaque IT and human ventral stream / D. Yamins, Yamins, H. Hong, C. Cadieu, J.J. DiCarlo // Advances in neural information processing systems (NIPS) (2013), pp. 1-9.

132. Wysoski S.G. Evolving spiking neural networks for audiovisual information processing / S.G. Wysoski L. Benuskova, N. Kasabov // Neural Networks, 23 (7) (2010), pp. 819-835.

133. Windisch D. Loading deep networks is hard: The pyramidal case. Neural Computation, 17 (2) (2005), pp. 487-502.

134. Krose B., Smagt P. An introduction to Neural Networks. University of Amsterdam, 1996.

135. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского.- М.: финансы и статистика, 2002.-344 с.: ил.

136. Mitchell, Tom M. Machine Learning. - WCB-McGraw-Hill, 1997.

137. Самарина Г.П., Дорошко С.Е., Чадаев О. Д. Ноосферная экономика: банки и кризисы финансовой системы. - СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2008 - 259 c.

138. Степанова Л.Н. Динамическая кластеризация по набору параметров сигналов акустической эмиссии / Л.Н. Степанова, И.С. Рамазанов, К.В. Канифадин и др. // Контроль. Диагностика. Издательский дом "Спектр", (Москва). 2012. 12-16с.

139. Бесекерский В. А., Попов Е.П. Теория систем автоматического регулирования. М.: Наука, 1972 - 768 с.

140. Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. Красноярск : Ин-т физики СО АН СССР, 1986. Препринт N 59Б. — 20 с.

141. Нуриев Н.К. Математическое моделирование эволюции кластерных образований / Н.К. Нуриев, А.А. Аль-Хашеди, Е.А. Печеный // Современные наукоемкие технологии. №8, 2018, С. 110-116.

Приложение 1. Листинг

Модуль динамической кластеризации

var yname = "y";

var xyname : = "xy1

var peredels = П;

var $maing = $("#maing");

var objectPeredels = fi;

var jsonDataMain = П;

var jsonDataNoNormalize = П;

var jsonDataClusters = П;

var jsonDataCenters = П;

var clustersNums = 0;

var jsonDataNoNormalizesaved = П;

var error = 0.5;

var chagp = 200;

function setParams() {

xname = $("#xname").val("); yname = $("#yname").val("); xyname = $("#xyname").val("); peredels = $("#peredel").val("); // reset

//$(".layout result .data").remove(); //objectPeredels = $(".layout result").empty(); jsonDataCenters = 11; jsonDataClusters = 11; jsonDataMain = 11; clustersNums = 0;

function run(isnew = false) { setParams();

var jsonData = getData(isnew); jsonData.forEach(function (el) { if(isnew){

_var index = isExists(eirOl);

_if (index > -1){

_isonDataNoNormalizefindexl = el;

_}else{

_jsonDataNoNormalize.push(el);

}else{

_jsonDataNoNormalize .push(el);

_}

resetDataPoints(j sonDataNoNormalize); var peredels = getPerdel(); // print

var txtperedels = "Min x:"+ peredels|"minx"| + ". Max x:"+ peredels|"maxx"| + ". Min y:"+peredelsr"miny"l + ". Max y:"+ peredels|"max\"|;

printToBody("<div class='alert alert-info'>"+txtperedels+"</div>"); var jsonDataNormal = normalize(peredels); // print table normal

//printTableNormalize(jsonDataNormal);

// print chart zero

printChart(O);

drawPoints(jsonDataNormal,0);

// print first chart

printChart( 1);

// draw points on first chart

proccessAllClassess(jsonDataNormal, peredels, 1); drawPoints(j sonDataClusters ,1); //drawPoints(jsonDataCenters ,1); drawPoints(jsonDataNormal,1);

jsonDataNormal = setClusterNumForPoints(jsonDataNormal); chagp = 10;

proccessNewClusters(jsonDataNormal, peredels);

a

printChart(2);

drawPoints(j sonDataClusters ,2) ; drawPoints(jsonDataNormal,2);

jsonDataNormal = setClusterNumForPoints(jsonDataNormal); drawCircleReport(j sonDataNormal) ;

printTable(jsonDataNormal, 2);

//console.log(jsonDataNormal); //setNumClusterForPoints(jsonDataNormal, 1);

//########

// end for first, start second

//#######

/*getDataNewClusters(jsonDataNormal, 1, jsonData); printChart(2);

proccessAllClassess(jsonDataNormal, peredels, 2); drawPoints(j sonDataClusters ,2) ; drawPoints(j sonDataCenters ,2) ; drawPoints(jsonDataNormal,2); setNumClusterForPoints(j sonDataNormal, 2) ; printTable(jsonDataNormal, 2);*/

function proccessAllClassess(jsonData, objectperedel, id){ var json = JSON.parse(peredels); var newJsonData = jsonData; var i = 1;

json.forEach(function (el) { //if(i === 3){

newJsonData = proccessClassess(jsonData, objectperedel, el, newJsonData, i, id);

-J/1

clustersNums = i; _i±±

return newJsonData;

function proccessClassess(jsonData, objectperedel, granits, newJsonData, numcluster, id) { var i =0; var xmin = 0; var xmax = 0; var ymin = 0; var ymax = 0;

granits.forEach(function (el) {

_if(i===0){

_xmin = el|~01;

_xmax = elm;

_}

_if(i===1){

_ymin = el T01 ;

ymax = elr11;

_i±±

var pointMaxNormal = normalizePoint(rxmax,ymax1, objectperedel);

var pointMinNormal = normalizePoint(rxmin,ymin1, objectperedel);

var point1 = |pointMinN"ormal|0|, pointMinNormall 111;

var point2 = |point\la\Normal|0|,point\la\Normal| ill;

var x = parsel loat(parselloat(pointMa\N"ormal|01 ± pointMinNormalГ01)/2);

var y = parseFloat(parseFloat(pointMaxNormaH11 ± point\linNormal|11) 2);

var point = Tx,y1;

// calculate radius

var r = calculateDestainc(point,point2);

var nonormalizepoint = unnormalizePoint(point, objectperedel);

var row = nsonDataClusters.length ± 1, "Кластер № "±numcluster ± ". Цикль № 0", point|01, point| 11,f"\main": nonormalizepoint|01, "ymain": nonormalizepoint|11, "fill":"none", "r": r, "class":"circledotted clusters ", "stroke": "#000","id": "noid"}1; jsonDataClusters.push(row); // proccess center class //var pointCneter = |point|01, point|111;

jsonDataCenters.pushdjsonDataCenters.length ± 1, "Центер Кластера № "±numcluster ± ". Цикль № 0", point|01, point|11,{"xmain": nonormalizepoint|01, "ymain": nonormalizepoint|11,"fill":"#57a900", "r": 1, "id":"">1); var newr = r; var index = 1;

var pointCneter = |point|01, point|111; for(var i=0; i<100; i±±){

var result = checkPointsClass(jsonData, pointCneter, newr);

var distance = calculateDestainc(pointCneter, ГresultГ01,resultГ111);

distance = Math.abs(distance);

//var distance = Math.abs(newr - result|21);

newr = result|21;

pointCneter = ГresultГ01,resultГ111; var stroke = "#000"; var id = "noid"; var idcluster = "";

var classNames = "circledotted clusters "; var classcenters = ""; var islnanthrcls = false;

if(numcluster !==1 && checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters, jsonDataCenters, numcluster))! _islnanthrcls = true;

if(distance <= error II islnanthrcls)! stroke = "#000"; classNames = "endcluster"; id = "center"±numcluster; idcluster = "cluster"±numcluster; classcenters = "pointcenterclass";

nonormalizepoint = unnormalizePoint(ГresultГ01,resultГ111, objectperedel);

jsonDataCenters.pushdjsonDataCenters.length ± 1, "Центер Кластера № "±numcluster ± ". Цикль № "± index, result|01, result|11,f"\main": nonormalizepoint|01, "ymain": nonormalizepoint|11,"fill":"#57a900", "r": 1, "id":id,"datax":result|01,"datay":result|11, "class": classcenters1,1);

row = nsonDataClusters.length ± i ± 1, "Кластер № "±numcluster ± ". Цикль № "± index, result|01, result|11,f"\main": nonormalizepoint|01, "ymain": nonormalizepoint|11,"fill":"none", "r": newr, "class":classNames, "stroke":stroke,"id":idcluster}1; jsonDataClusters .push(row); if(distance <= error II islnanthrcls)! _break;

index ++;

}

// after get ended cluster we will chec if has percetchene

if(numcluster !== 1)f

== 1)f

if(checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters, jsonDataCenters, numcluster))f //console.log("cluster:"+ numcluster);

newr = normalizClusterWithPercetchene(pointCneter, numcluster);

whilenormalizePercechene(jsonData, pointCneter, newr, numcluster, index, objectperedel); ielsef

newr = normalizClusterWithPlus(pointCneter, numcluster);

var res = loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedel); pointCneter = res ["01 ;

_newr = res[11;

_index = res[21;

_if(newr > 1 && checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters, jsonDataCenters,

numcluster))!

_newr = normalizClusterWithPercetchene(pointCneter, numcluster);

_whilenormalizePercechene(jsonData, pointCneter, newr, numcluster, index, objectperedel);

}

return newJsonData;

function proccessNewClusters(jsonData, objectperedel) f jsonData = initNewCluster(jsonData); var json = JSON.parse(peredels); var numcluster = json.length + 1; var i=0;

var newjsonData = [1; var num =1;

for(var j=0; j<jsonData.length; j++){ var index = 0; var el = jsonData[j1;

if(typeof el[41["data-cluster"1 === "undefined")!

_if(newjsonData.length === 0 II typeof newjsonData[j1[41["data-cluster"1 === "undefined")!

_var x = el[21;

_var y = el[31;

_var nonormalizepoint = unnormalizePoint([x,y], objectperedel);

_var row = [jsonDataClusters.length + 1, "Кластер № "+numcluster + ". Цикль № 0", x, y,{"xmain":

nonormalizepoint[01, "ymain": nonormalizepoint[11, "fill":"none", "r": 1, "class":"endcluster", "stroke": "#000","id": "cluster"+numcluster}1; _jsonDataClusters.push(row) ;

_jsonDataCenters.push([jsonDataCenters.length + 1, "Центер Кластера № "+numcluster + ". Цикль № 0", x,

y,{"xmain": nonormalizepoint[01, "ymain": nonormalizepoint[11,"fill":"#57a900", "r": 1, "id":"center"+numcluster,"class":"pointcenterclass"}1);

_if(checkIfHasPercecheneWithAnotherClusters([x,y], 1, jsonDataClusters, jsonDataCenters, numcluster))!

_numcluster++;

_continue;

_var pointCneter = [x,y1;

_var newr = normalizClusterWithPlus([x,y], numcluster);

_var res = loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedel);

_pointCneter = res[01;

_newr = res[11;

_index = res[21;

_if(newr >1 && checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters,

jsonDataCenters, numcluster))!

_newr = normalizClusterWithPercetchene(pointCneter, numcluster);

_whilenormalizePercechene(jsonData, pointCneter, newr, numcluster, index, objectperedel);

_ielse!

_whilenormalizePercechene(jsonData, [x,y], 2, numcluster, index, objectperedel);

//whilenormalizePercechene(jsonData, [x,y], 2, numcluster, index, objectperedel); numcluster++ ;

newjsonData = setClusterNumForPoints(jsonData);

i++; //break;

}

function whilenormalizePercechene(jsonData, pointCneter, newr, numcluster, index,objectperedels) ! var isloop = true; var res = [1; var s = 0; var isEnd = false; while (isloop) !

res = loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedels);

pointCneter = res[01;

newr = res[11;

index = res[21;

isEnd = res[31;

if(newr > 1 && checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters, jsonDataCenters, numcluster))!

_newr = normalizClusterWithPercetchene(pointCneter, numcluster);

jelse! if(isEnd)!

_newr = normalizClusterWithPlus(pointCneter, numcluster);

_res = loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedels);

_pointCneter = res[01;

_newr = res[11;

_index = res[21;

_isEnd = res[31;

_if(newr> 1 && checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters,

jsonDataCenters, numcluster))!

_newr = normalizClusterWithPercetchene(pointCneter, newr, numcluster);

_jelse!

_isloop = false;

_/*newr = normalizClusterWithPlus(pointCneter, numcluster);

_res = loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedels);

_pointCneter = res[01;

_newr = res[11;

_index = res[21;

_isEnd = res[31;

_if(isEnd)!

_isloop = false;

_i*

//isloop = false;

s++;

if(s === 50)! break;

i

function loopCalLastCenter(jsonData, pointCneter, newr, numcluster, index, objectperedel) ! jsonDataClusters[jsonDataClusters.length -11[41["class"1 = "circledotted clusters"; jsonDataClusters[jsonDataClusters.length -11[41["id"1 = "noid"; jsonDataCenters[jsonDataCenters.length -11[41["id"1 = "noid"; var isEnd = false; for(var i=0; i<100; i++)!

var result = checkPointsClass(jsonData, pointCneter, newr);

var distance = calculateDestainc(pointCneter, |result|0|,result| ill);

distance = Math.abs(distance);

//var distance = Math.abs(newr - result|2|);

newr = result|2|;

pointCneter = |result|0|,result| ill;

var stroke = "#000"; var id = "noid"; var idcluster = "";

var classNames = "circledotted clusters "; var classcenters = ""; var islnanthrcls = false;

if(checkIfHasPercecheneWithAnotherClusters(pointCneter, newr, jsonDataClusters, jsonDataCenters, numcluster))! islnanthrcls = true;

if(distance <= error II islnanthrcls)! stroke = "#000"; classNames = "endcluster"; id = "center"+numcluster; idcluster = "cluster"+numcluster; classcenters = "pointcenterclass";

if(distance <= error)! isEnd = true;

index ++;

var nonormalizepoint = unnormali/.ePoint(|result|0|, result| i| |, objectperedel);

jsonDataCenters.push(rjsonDataCenters.length + 1, "Центер Кластера № "+numcluster + ". Цикль № "+ index, result|0|, result|i |,f"xmain": nonormali/epoint|0|, "ymain": nonormalizepointril,"fill":"#57a900", "r": 1, "id":id,"datax":resultr01,"datay":resultrH, "class": classcenters}!);

var row = NsonDataClusters.length + i + 1, "Кластер № "+numcluster + ". Цикль № "+ index, resultГ01, result|1 |,f"\main": nonormalizepointГ01, "ymain": nonormalizepointrH,"fill":"none", "r": newr, "class":classNames, "stroke":stroke,"id":idcluster}1; jsonDataClusters .push(row) ; if(distance <= error II islnanthrcls)! _break;

return |pointCneter, newr, index, isEnd1;

function normalizClusterWithPlus(pointCneter, numcluster) ! var cluster = jsonDataClustersГjsonDataClusters.length -11; var radius = Number(clusterГ41Г"r"1); var rsel = radius; for(var i =1; i<= chagp; i++)! radius = radius + 1 ; if(radius>=1)!

_if(checkIfHasPercecheneWithAnotherClusters(pointCneter, radius, jsonDataClusters, jsonDataCenters,

numcluster))!

_jsonDataClustersГjsonDataClusters.length -11Г41Г"class"1 = "endcluster";

_jsonDataClustersГjsonDataClusters.length - 11Г41 |"id"1 = "cluster"+numcluster;

_break;

_}else!

_rsel = radius;

_jsonDataClustersГjsonDataClusters.length -11Г41Г"г"1 = radius;

}

return rsel;

function normalizClusterWithPercetchene(pointCneter, numcluster) ! var cluster = jsonDataClustersГjsonDataClusters.length -11;

var radius = Number(clusterr4ir"r"1); var rsel = radius;

for(var i =1; i<= 200; i++){ radius = radius -1; if(radius>=1){ _rsel = radius;

_jsonDataClustersrisonDataClusters.length -11Г41 f"r"1 = radius;

_if(!checkIfHasPercecheneWithAnotherClusters(pointCneter, radius, jsonDataClusters, jsonDataCenters,

numcluster))!

_jsonDataClustersrjsonDataClusters.length -1ir4ir"class"1 = "endcluster";

_jsonDataClustersrjsonDataClusters.length - 11Г41 r"id"1 = "cluster"+numcluster;

break;

}

return rsel;

function checkPointsClass(jsonData, pointCenter, r) { var jsonDataClass = Г1; var xall = 0; var yall = 0;

jsonData.forEach(function (el) { var x = el Г21 ; var y = elr31;

var d = calculateDestainc(rx,y1, pointCenter); if(d<=r){

jsonDataClass.push(rx,y1); xall += x;

yall += y;

var xend = parseFloat(xall/jsonDataClass.length); var yend = parseFloat(yall/jsonDataClass.length); // calculate radius get max destaince var maxDestance = 0; jsonDataClass.forEach(function (el) { var x = el Г01 ;

var y = elr11;

var d = calculateDestainc^x^!, Гxend, yend1); if(d>maxDestance){

maxDestance = d;

J);

return Txend, yend, r1;

i

function getPerdel() {

var maxx = 0;

var miny = 0;

var maxy = 0;

var i = 0;

jsonDataNoNormalize.forEach(function (el) { _var x = el Г21 ;

if(i === 0){

minx = x;

maxx = x;

if(x < minx){ minx = x;

if(x>maxx)! maxx = x;

_L

// for y var y = el[31; if(i === 0)! miny = y; maxy = y;

if(y < miny)! miny = y;

if(y>maxy)! maxy = y;

_i±±;

return !minx: minx, maxx: maxx, miny:miny, maxy: maxy}; //return !minx: 10000, maxx: 5000000, miny:1, maxy: 1400};

function normalizePoint(point, objectperedel) ! var minx = objectperedel["minx"1; var maxx = objectperedel["maxx"1; var miny = objectperedel["miny"1; var maxy = objectperedel["maxy"1; var i = 0; var x = point[01; var y = point[11;

var newx = parseFloat(parseFloat(x - minx)/parseFloat(maxx - minx)); var newy = parseFloat(parseFloat(y - miny)/parseFloat(maxy - miny)); point[01 = parseFloat(newx * 100) + 10; point[11 = parseFloat(newy * 100) + 10; return point;

function unnormalizePoint(point, objectperedel) ! var newpoint = [1 ; var minx = objectperedel["minx"1; var maxx = objectperedel["maxx"1; var miny = objectperedel["miny"1; var maxy = objectperedel["maxy"1; var x = point[01; var y = point[11;

//var newx = parseFloat(minx + (parseFloat(maxx - minx) * x));

var newx = parseFloat(((x-10) * (maxx - minx))) + parseFloat(( 100 * minx));

var newy = parseFloat(((y-10) * (maxy - miny))) + parseFloat(( 100 * miny));

newpoint[01 = parseFloat(newx/100);

newpoint[11 = parseFloat(newy/100);

return newpoint;

± function normalize(objectperedel) !

var minx = objectperedel["minx"1;

var maxx = objectperedel["maxx"1;

var miny = objectperedel["miny"1;

var maxy = objectperedel["maxy"1;

var i = 0;

var newJson = [1 ;

jsonDataNoNormalize.forEach(function (el) ! var row = [1;

var obj = !};

var x = el T21; var y = el[31;

var newx = parseFloat(parseFloat(x - minx)/parseFloat(maxx - minx)); var newy = parseFloat(parseFloat(y - miny)/parseFloat(maxy - miny));

rowrQl = elr01; rowm = elril;

row[21 = parseFloat(newx * 100) + 10; row[31 = parseFloat(newy * 100) + 10;

if(typeof el|4| !== "undefined" && typeof el[41["xmain"1 !== "undefined")! obj = el [41;

obj["xmain"1 = elr21;

obi["ymain"1 = el[31;

}else{

obi = el [41;

obj["xmain"1 = el [21;

obj["ymain"1 = el[31;

row[41 = obj; newJson[i1 = row; _i±±;

return newJson;

function calculateDestainc(point1, point2){

var xpow = Math.pow(point1[01 - point2[01, 2); var ypow = Math.pow(point1[11 - point2[11, 2); var r = Math.sqrt(xpow + ypow); return r;

Приложение 2. Акты о внедрении

А

Дедьтаинком

центр информационных технологий

ООО «ЦИТ«Дельтаинком»

420088, Российская Федерация, Республика Татарстан, г. Казань, ул. Матросова, д.4, тел.: [phone] факс.: [phone]

ИНН 1660116638 КПП 166001001 ОГРН 1081690044700 ОКПО 87857143 расчетный счет: 40702810300000006331 Банк ОАО АИКБ «Татфондбанк» корр.счет: 30101810100000000815 БИК 049205815 ОКВЭД 72.20

Компания: ОО Директор: Шамсут

СПРАВКА О ВНЕДРЕНИИ

'ЖДАЮ» нком " ович

Справка дана Аль-Хашеди А.А. в том, что в организации ЦИТ «Дельтаинком» были использованы результаты исследования " Исследование и разработка автоматизированной системы распознавания запросов-задач". В частности, они были использованы в информационной системе «ДельтаБезопасность», предназначенной для принятия решений в целях обеспечения экономической безопасности организаций и физлиц. Из результатов исследования в этой системе применены алгоритмы классификации с распознаванием образов. Результаты исследования также были использованы в CRM-сиотеме «DeltaCRM», которая предназначена для решения проблем в работе менеджеров по продажам, повышения эффективности работы отдела продаж, увеличения объема продаж и повышения прибыли (CRM (от англ. Customers Relationship Management System) - система управления взаимоотношениями с клиентами). Благодаря применению результатов исследования повысилась эффективность использования вышеназванных систем. Эффективность систем начала хорошо проявляется благодаря тому, что на базу их знания поступают большие потоки объектов с большим количеством признаков, которых необходимо классифицировать и распознавать. После внедрения алгоритмов классификации с распознаванием образов, полученных в результате исследования, было проведено определение эффективности и получен положительный результат об увеличении эффекта от работы собственных информационных систем.

www.deltsinkom.ru

«УТВЕРЖДАЮ» A/Caon Telecom Mohamed AU Mohsen

«20» 02. 2017r.

СПРАВКА О ВНЕДРЕНИИ

Выдана Аль-хашеди A.A. Для предоставления в диссертационный Совет, свидетельствующий о том, что результаты исследования конкретно внедрены и используются в практическую деятельность коммуникационных сетей Йемена

Зав. отделением Ф.И.О. Mohamed Ali Mohsen

Гямт' шиплг /-алп гл

Subject: the application and use of telecommunications company services system

Ref: to the subject above we are the alcaontelecom company presenting in this statement To Whom It May Concern that we are using Mr. Adam Abdo Alhashedi research specifically in the Yemeni telecommunications network service system.

He has proved his success in this area and we are currently relying on him.

Thank you

/

Shabakat Al-Yemen

Al-hashedi М.Л.

«10» 05. 201 Ki.

«Утверждаю

Справка о внедрении

Настоящим подтверждаем, что результаты диссертационного исследования Аль-хашеди A.A. на тему: «Разработка математических моделей н алгоритмов классификации объектов в задачах распознавания образов обладают актуальностью, представляют практический интерес и были использованы при разработке системы коммуникационных сетей Йемена в области ипотеки нашей компании.

-Shabakat Al-Yemen» Йемен. Самая. \л- таит Тел. (+W7) 777 X55 кх 5. Г. mail: тиИЬ.^Юо! 2 " |}пкп1.сот. WEB ми-, ццу.^а. п ..

Приложение 3. Интерфейс программного обеспечения

2 ОООк

1712202.0

1 500к

1439933.0

1648192.0

Список городов России • У • V

Множество точек

{ "по": 3, "name": Новосибирск, "population": 1 602 915, "area": 506,67 }. «

[[[10000,500000],[1,150]], [[500001,1000000],[151,700]], [[1000001,1700000],[701,1 ООО]]]

Старт Добавить Объект