Аннотация 2
ВВЕДЕНИЕ 5
1 АНАЛИЗ СОСТОЯНИЯ ВОПРОСА 7
2 РАЗРАБОТКА АЛГОРИТМА КЛАССИФИКАЦИИ НА ОСНОВЕ РЕЗУЛЬТАТОВ КЛАСТЕРНОГО АНАЛИЗА 10
2.1 Кластерный анализ с использованием алгоритма k-means 10
2.2 Анализ данных процесса контактной сварки 17
2.3 Разработка алгоритма построения классификатора на основе результатов кластерного анализа и алгоритма классификации объектов 20
3 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННЫХ РЕШЕНИЙ 25
3.1 Пример использования алгоритма построения классификатора 25
3.2 Пример классификации объекта 30
3.3 Программная реализация 31
ЗАКЛЮЧЕНИЕ 38
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 40
В настоящее время алгоритмы машинного обучения широко применяются в системах интеллектуальной диагностики различных технологических процессов.
Интеллектуальные системы диагностики с точки зрения математики решают задачу классификации, когда по измеряемым параметрам протекания технологического процесса прогнозируется класс качества получаемой продукции.
Так, например, в интеллектуальных системах диагностики процесса контактной сварки такие технологии искусственного интеллекта, как нейронные сети различной конфигурации, деревья классификации и регрессии, различные индуктивные алгоритмы построения классификаторов.
Существуют такие алгоритмы машинного обучения, возможности которых не изучены в полной мере. Например, алгоритм кластеризации данных k-means.
Алгоритм k-means предназначен для автоматизированной группировки объектов по кластерам. При этом кластерная структура подбирается таким образом, чтобы объекты внутри одного кластера были максимально похожи друг на друга. Недостатком алгоритма k-means является, что он не предназначен для решения задач классификации.
Вопросами использования кластерного анализа при решении практических задач занимаются такие исследователи, как Attila Gursoy, Piotr Pionski, Krzysztof Zaremba, Lopez-Escobar Saul, J. A. Carrasco-Ochoa, Martinez- Trinidad J. Fco, Dong-Jun Xin, Yen-Wei Chen, Le Wang, Li Tian, Yan Jia, Weihong Han, Ling Li, Chunguang Li, Yongxiu Lai, Guoling Shi, Dezhong Yao, Juan Carlos, Rojas Thomas и др [2-18].
В ходе проведенных исследований предложена идея построения классификатора на основе алгоритма k-means. Идея заключается в том, чтобы сначала поделить объекты обучающей выборки на кластеры, и, изучив состав каждого кластера сформировать стратегию классификации данных. Изучение состава кластеров необходимо для того, чтобы определить, как распределены метки классов по кластерам. Затем на основе изученных свойств кластеров предложено классифицировать новые (ранее неизвестные) объекты, оценивая их близость до центров кластеров.
В исследовании проверяется гипотеза о том, возможности построения классификатора данных на основе результатов кластерного анализа.
Целью работы является разработка алгоритма построения классификатора данных на основе результатов кластерного анализа для диагностики качества контактной сварки.
В ходе выполнения исследований была разработана программа, позволяющая, с использованием предложенных подходов, по данным экспериментальных сварок производить построения классификатора и производить с его помощью классификацию данных.
Предложенные подходы были протестированы на экспериментальных данных контактной сварки. Полученный в ходе исследований классификатор качества позволяет по измеряемым в процессе сварки параметрам оценивать класс качества сварных соединений с точность 81,36%.
В ходе выполнения бакалаврской работы было опубликовано две статьи на тему практического применения алгоритмов машинного обучения [19-20].
Основные результаты работы были доложены на IV Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
В результате анализа выполненных бакалаврской работе исследований были сформулированы следующие выводы:
1. Обзор отечественных и зарубежных литературных источников показал, что современные системы управления и диагностики контактной сварки основаны на использовании алгоритмов машинного обучения. Это позволяет автоматизировать процесс настройки систем, так зависимость между измеряемыми в процессе сварки параметрами и получаемыми прочностными характеристиками восстанавливается алгоритмами машинного обучения самостоятельно (на основе анализа экспериментальных данных).
2. Анализ отечественных и литературных источников показывает, что актуальными являются научные исследования, направлены на расширения возможностей алгоритма кластеризации данных k-means.
3. В ходе выполнения бакалаврской работы разработан алгоритм построения классификатора данных на основе результатов кластерного анализа. Данных алгоритм сначала подбирает кластерную структура для исходных данных, затем проводит статистические исследования каждого кластера для определения преобладающего в нем класса. Затем при классификации объекта определяется его принадлежность к одному из кластеров путем расчёта расстояния от объекта до центра кластеров. Считается, что исследуемый объект относится к тому кластеру, расстояние, до центра которого наименьшее. Исследуемому объекту присевается метка преобладающего в данном кластере класса.
4. Предложенный алгоритм классификации был проверен на данных контактной сварки. В результате был получен классификатор качества сварки, позволяющий на основе измеряемых в процессе сварки параметров (изменение коэффициента мощности cosp) классифицировать качество получаемых соединений (класс С1 - качественная сварка с силой разрушения >7200 Н, класс С2 - некачественная сварка).
5. Опытным путем оценена точность полученного классификатора качества, которая в зависимости от параметра к составляет 76,27...81,36 % (рисунок 3.1)
6. В ходе выполнения бакалаврской работы было разработано и протестировано программное обеспечение реализующее классификацию данных на основе кластерного анализа (рисунок 3.2).
В ходе выполнения бакалаврской работы было опубликовано две статьи на тему практического применения алгоритмов машинного обучения [19-20].
Основные результаты работы были доложены на IV Международной научно-практической конференции (школы-семинара) молодых ученых «Прикладная математика и информатика: современные исследования в области естественных и технических наук».
Помощь студентам и аспирантам в выполнении работ от наших партнеров
