Розробки алгоритму ідентифікації складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

розбиття U (за умовчанням це значення дорівнює т=2);

- options (2): максимальне число ітерацій k (за умовчанням це значення дорівнює k=100);

- options (3): мінімально допустиме значення покращення цільової  функції за одну ітерацію алгоритму (за замовчанням це значення дорівнює e=0.00001);

- options (4): інформація про поточну ітерацію, що відображується на екрані монітора (за умовчанням це значення дорівнює 1).

Якщо будь-яке із значень додаткових аргументів дорівнює NAN (не число), то для цього аргументу використовується значення за умовчанням. Функція fcm закінчує свою роботу, коли алгоритм FCM виконає максимальну кількість ітерацій , або коли різниця між значеннями цільових функцій на двох послідовних ітераціях буде менше заданого апріорі значення параметра збіжності алгоритму e.

Функція fcm реалізована у вигляді m-файла і використовує, у свою чергу, три інші функції: 

- функцію initfcm для формування матриці вихідного розбиття деяким випадковим чином;

- функцію distfcm розрахунку матриці відстаней між точками даних і центрами кластерів;

- функцію stepfcm для розрахунку значень цільової функції і функцій приналежності об’єктів нечітким кластерам на кожній ітерації роботи алгоритму FCM. Всі ці функції також реалізовані у вигляді m-файлів.

Представлений алгоритм ідентифікації забезпечує проведення кластеризації ОМ. Також існує можливість задання параметрів кластеризації. Проте використання лише одного алгоритму для ідентифікації ОМ не може в достатній мірі забезпечувати розв’язання всього спектра задач ідентифікації ОМ. Таким чином, для успішного проведення ідентифікації необхідно використовувати різні алгоритми аналізу даних.

 

Висновок до другого розділу

 

В даному розділі було розглянуто всі існуючі методи кластеризації, серед яких було обрано найбільш доцільний алгоритм для виконання задачі ідентифікації ОМ. Таким алгоритмом є поєднання алгоритму С-means. та алгоритму гірської кластеризації Для застосування цього алгоритму було розраховано математичну модель, де запропоновано використання формули Евклідової відстані, що найбільш підходить для розрахунку по координатах.

 

3. АПРОБАЦІЯ АЛГОРИТМУ ІДЕНТИФІКАЦІЇРІЗНИХ ТИПІВ СКЛАДНИХ ОБ’ЄКТІВ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

 

Проведення апробації є необхідним для перевірки в реальних умовах, на практиці, теоретично розроблених математичних моделей та алгоритмів. Апробація дозволяє на практиці оцінити можливості створених моделей та знайти їхні недоліки для різних вихідних даних та умов застосування. Математична модель алгоритму реалізована на основі математичного моделювання у середовищі MatLab.

Розглянемо вирішення задачі ідентифікації ОМ для множини вхідних даних, що є матрицею даних ДРВп X розмірністю (28x4) (таблиця 3.1), яка міститься у файлі point 6 (База даних 21:00 25.12.2012).

Рисунок 3.1 − Вибір бази даних

Таблиця 3.1

Вхідні дані для розрахунків

Координати по хКоординати по yРобоча частотаІнтенсивність виходу в ефір

43391912

44401315

44414945

43,545768536

4467423445

4168436421

4270752523

44721219

69315672

68,5342317

7132643336

7035679698

70751563

71761454

7278876563

68805547

88392536

89403245

90411221

91453654

91677478

89686789

89704451

90721530

68521542

69554616

56597995

58632017

 

Побудуємо на графіку точки з координатами, які містяться у перших двох колонках масиву. На рис. 3.2 представлений варіант розміщення ДРВп.

Рисунок 3.2 − Варіант розміщення ДРВп

З врахуванням всіх особливостей, деякі параметри для проведення розрахунків були встановлені загальним чином:

- аргумент squashFactor = 1.25 вказує на те, що необхідно визначити кластери, недалеко розташовані один від одного.

- аргумент acceptRatio=0.5 вказує на те, що для пошуку центрів кластерів дуже високий потенціал не є необхідним.

- аргумент rejectRatio=0.15 не виключає з розгляду точки даних, що не володіють високим потенціалом. 

- аргумент verbose = 1 дозволяє виведення інформації про виконання процесу кластеризації на екран монітора.

Наступним кроком був підбір тактичного нормативу для ідентифікації ОМ. Він обирається довільним чином, відповідно до того який підрозділ ми хочемо ідентифікувати. На рис. 3. 3 показано як обирається тактичний норматив на прикладі ОМ − батальйон або дивізіон.

Рисунок 3.3 − Вибір тактичного нормативу

Потім була здійснена кластеризація, в результаті виконання якої були отримані наступні якісні показники (рис. 3.4).

Рисунок 3.4 − Результат вирішення задачі нечіткої субтрактивної кластеризації в системі MatLab

З рис. 3.4 видно, що в результаті проведення кластеризації по дальності зв’язку ми виявили один батальйон (дивізіон) з центром з координатами (70,55), який позначений трикутником, повернутим в праву сторону. Межею цього підрозділу є коло, яке намальоване навколо нього. Цифри, колір, та умовне позначення на кожного ДРВп мають інформативний характер. Цифри означають номер підрозділу, до якого належить ДРВп, колір – інтенсивність виходу в ефір, а умовне позначення – вид зв’язку, який забезпечує кожне ДРВп.

Для ідентифікації групового ОМ проведеться більш детальна кластеризація і вибереться в пошуку тактичних нормативів роту (батарею) для ідентифікації їх в отриманому батальйоні (дивізіоні).

Рисунок 3.5 − Вибір тактичного нормативу (батарея)

Рисунок 3.6 − Результат ідентифікації рот (батарей) як ОМ

Як можна відмітити, для вказаних значень аргументів функція субтрактивної кластеризації, що розглядається, знаходить вісім нечітких кластерів і відображає координати їх центрів в вікні системи MatLab. Із ідентифікованих восьми кластерів 6 являються