+3 8(066) 185-39-18
fпоступово зростаючого розбиття IDA (incremental decomposition algorithm) полягає в наступному. На першій ітерації є одне продукційне правило, що має як область свого впливу (область, у якій значення результуючої функції приналежності передумови нечіткого правила перевищує задану величину) усю множину припустимих вхідних значень (рис. 2.2).
На другій ітерації дане правило розбивається на два двома способами (показані стрілками). Проводиться навчання і вибирається, який зі способів розбиття дає найменшу погрішність (даний перехід відзначений чорною стрілкою). Серед наявних правил вибирається те, для якого складова похибки в загальній похибці є найбільшою (область його впливу заштриховано). Воно і підлягає розбиттю на два правила двома способами (ітерація 3). Описаний процес продовжується до досягнення необхідної точності або поки не буде згенеровано задане число продукційних правил.
Рисунок 2.2 − Схема роботи методу IDA
Інформація про ДРВп, що надходить від пеленгаторних постів записується до бази даних. Після чого, сукупність даних, що досліджується представляє собою кінцеву множину ДРВп , кожен елемент якої характеризується множиною кількісних та якісних характеристик , наприклад: координати розташування ДРВп, вид зв’язку (КХ, УКХ), інтенсивність роботи (частота виходу в ефір впродовж 12 годин), які у свою чергу після проведення аналізу і кластеризації дадуть змогу оператору відобразити реальну РЕО, на якій чітко буде відображатись кількість підрозділів (бойових батарей в даному випадку) N, відстань між ними , віддаленість від переднього краю , дальність зв’язку . Для ідентифікації складних ОМ необхідно вибрати оптимальний алгоритм кластеризації. В даній роботі пропонується вибрати алгоритм C-means та усунути його основний недолік – необхідність попереднього задання кількості кластерів. Для усунення даного недоліку мною запропоновано частково поєднати алгоритм C – means та алгоритм гірської кластеризації, адже перевагою останнього є те, що він не вимагає задавання кількості кластерів, а сам їх шукає і встановлює для них центри, які можуть бути КП (командним пунктом) в бойовому порядку підрозділу. Ця умова є необхідною для вирішення задачі кваліфікаційної роботи, тому для ідентифікації складних об’єктів моніторингу буде використано саме це поєднання методів. Для застосування цього алгоритму необхідно розрахувати математичну модель та визначити характеристики ДРВп, які підлягають обробці.
2.3 Синтез математичної моделі кластеризації об’єктів за результатами роботи засобів радіомоніторингу
Для заданої множини ДРВп K, що характеризується вхідними векторами і N визначених кластерів передбачається, що будь-яка належить будь-якому з приналежністю в інтервалі [0,1], де j - номер кластера, а k − номер вхідного вектора.
Для забезпечення однозначності в розрахунках при розробці математичної моделі приймаються до уваги наступні умови нормування для :
; (2.17)
. (2.18)
Для забезпечення найбільшої ймовірності приналежності ДРВп до кластеру необхідно мінімізувати суми всіх зважених відстаней :
, (2.19)
де q − фіксований параметр, заданий перед ітераціями.
Для досягнення вищезазначеної мети необхідно вирішити наступну систему рівнянь:
(2.20)
де N − кількість кластерів;
k − кількість ДРВп;
− ймовірність входження до кластеру .
Сумісно з умовами нормування дана система диференціальних рівнянь має наступний розв’язок:
, (2.21)
де − зважений центр мас.
(2.22)
Таким чином представлено математичну модель, яка забезпечує процес кластеризації ОМ з заданою приналежністю в умовах невизначеності, за визначеними ознаками з використанням алгоритму C-means, на основі якої створено алгоритм ідентифікації складних ОМ.
2.4 Алгоритм ідентифікації складних об’єктів моніторингу на основі нечітких алгоритмів кластерного аналізу
На даний час розроблена велика кількість програмних пакетів, які забезпечують вирішення задач в різних галузях науки. Найбільш всеохоплюючим різноманітних галузей науки є програмний пакет Matlab.
Для вирішення поставлених задач ідентифікації ОМ доцільно використовувати функції кластеризації програмного пакету Matlab.
В даному програмному пакеті необхідно розробити алгоритм, щоб забезпечити виконання наступних вимог до кластеризації складних ОМ:
- автоматичного визначення кількості кластерів, що розглядаються з заданої множини ДРВ;
- автоматичного визначення приналежності кожного ДРВ до кожного з кластерів;
- зручне для оператора представлення даних для подальшої їх обробки та аналізу;
- визначення кількості засобів зв’язку і типу зв’язку, який вони реалізовують;
- визначення інтенсивності роботи засобу зв’язку, яка є передумовою для надання її статусу основного ДРВп в підрозділі.
На основі розробленої математичної моделі розроблений алгоритм, що реалізує вимоги для виконання поставленого завдання в програмному середовищі MatLab. В додатку А представлена блок – схема алгоритму кластеризації, що забезпечує вирішення поставлених задач.
Алгоритм побудований на основі функціональних блоків. Робота функціонального блоку розрахована по певних функціях, які мають вхідні аргументи. Аргументом функції може виступати як сукупність ДРВп з їхніми параметрами, що підлягають кластеризації, так і окремі характеристики, що визначають роботу даного алгоритму.
В даному