Кластеризация объектов со слабо формализуемыми признаками на основе нейронной сети в виде слоя Кохонена


https://doi.org/10.20914/2310-1202-2018-3-86-91

Полный текст:


Аннотация

Анализ анкет несовершеннолетних в социальных сетях показывает, что подростки указывают в них сведения, повышающие уровень своей социальной желательности. Такая информация зачастую не имеет соответствия с реальным поведением подростка. Для полноценного анализа уровня девиантности несовершеннолетнего нужны инструменты охватывающие весь спектр показателей. В отличие от обычного подхода к кластеризации объектов на основе их объединения в группы по критерию минимума расстояния в многомерном пространстве при кластеризации признаков целесообразно учитывать их близость по способам получения информации и методам обработки этой информации инспектором по делам несовершеннолетних. Напервом этапе исследования проводится кластеризация признаков девиации, на втором определение весовых коэффициентов, показателя степени девиантности внутри каждой из групп признаков, на третьем используется методика кластерно-иерархического подхода при формировании интегрального показателя оценки девиантного поведения несовершеннолетних. Показатель обладает значительной гибкостью учета соотношений между группами признаков и парциальными признаками за счет введения соответствующих множеств весовых коэффициентов. Сделан вывод о предпочтительности методов, основанных на кластеризации объектов в двумерном пространстве целевых показателей или счетов метода главных компонент, а также необходимости дополнительного анализа графической картины взаимного расположения объектов. Из сопоставления разных подходов: 1) кластеризации на основе обобщенного показателя качества и признака обратной девиантности, 2) кластеризации по двум счетам метода главных компонент; 3) кластеризации по всем признакам экспертизы можно сделать следующие выводы. Все способы правильно распределяют объекты по кластерам. Однако при сохранении основных итогов (выделение наилучших и наихудших объектов) результаты несколько отличаются. Это объясняется различным объемом и формами представления исходной информации. Номера активных нейронов (кластеров) программа назначает произвольно, поэтому чтобы упорядочить номера кластеров по некоему признаку (например, качеству объектов), требуется воспользоваться дополнительной графической информацией. С практической точки зрения предпочтительными являются первые два способа, основанные на кластеризации объектов в двумерном пространстве, методе главных компонент и анализе графической картины взаимного расположения объектов.

Об авторах

И. А. Кубасов
Академия управления МВД России
Россия
д.т.н., профессор, кафедра информационных технологий, ул. Зои и Александра Космодемьянских 8, г. Москва, 125993, Россия


А. В. Мельников
Воронежский государственный университет инженерных технологий
д.т.н., профессор, кафедра высшей математики и информационных технологий, пр-т Революции, 19, г. Воронеж, 394036, Россия


С. А. Мальцев
«ГИАЦ МВД России»
старший инженер Вычислительного центра., ФКУ «ГИАЦ МВД России», ул. Новочеремушкинская, 67; г. Москва, 117418, Россия


И. Р. Нарушев
Воронежский институт МВД России
адъюнкт, ,, пр-т Патриотов, 53, г. Воронеж, 394052, Россия


Список литературы

1. Нарушев И.Р., Мельников А.В., Денисенко В.В. Модели обобщенного показателя девиантного поведения несовершеннолетних // Вестник Воронежского института МВД России. 2018. № 1. С. 44–50

2. Мельников А.В., Мальцев С.А Учет признаков инженерной оценки в экспертизе приемно-контрольных приборов охранно-пожарной сигнализации // Вестник Воронежского института МВД России. 2016. № 3. С. 51–57.

3. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом Вильямс, 2008.

4. Zhang Z. Artificial neural network // Multivariate Time Series Analysis in Climate and Environmental Research. Springer, Cham, 2018. P. 1-35.

5. Witten I., Frank E., Hall M. Data Mining: Practical Machine Learning Tools and Techniques. N.Y.: Morgan Kaufmann, 2011. 664 p.


Дополнительные файлы

1. 1
Тема
Тип Исследовательские инструменты
Посмотреть (36KB)    
Метаданные
2. 2
Тема
Тип Исследовательские инструменты
Метаданные
3. 3
Тема
Тип Исследовательские инструменты
Метаданные
4. 1,2
Тема
Тип Исследовательские инструменты
Метаданные

Для цитирования: Кубасов И.А., Мельников А.В., Мальцев С.А., Нарушев И.Р. Кластеризация объектов со слабо формализуемыми признаками на основе нейронной сети в виде слоя Кохонена. Вестник Воронежского государственного университета инженерных технологий. 2018;80(3):86-91. https://doi.org/10.20914/2310-1202-2018-3-86-91

For citation: Kubasov I.A., Melnikov A.V., Maltsev S.A., Narushev I.R. Clustering of objects with poorly formalizable features based on a neural network in the form of Kohonen layers. Proceedings of the Voronezh State University of Engineering Technologies. 2018;80(3):86-91. (In Russ.) https://doi.org/10.20914/2310-1202-2018-3-86-91

Просмотров: 36

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2226-910X (Print)
ISSN 2310-1202 (Online)