Методы выявления однородных и неоднородных групп объектов на основе неопределенных качественных данных
Ключевые слова:
группирование, качественные данные, неопределённые данные, недоопределённые вычисления, многозначная логика, теория графовАннотация
В статье предложены критерии выявления групп объектов на основе не-определенных оценок значений их качественных признаков. Решаются задачи выявления однородных и неоднородных групп объектов. В однородных группах значения одноименных качественных признаков всех объектов совпадают. В неоднородных группах объектов значения таких признаков могут не совпадать, однако должны удовлетворять априорно заданным допустимым сочетаниям. Для выявления групп объектов применяется теоретико-графовый подход. При этом неопределенные оценки признаков объектов представляются в виде множеств их возможных значений. При принятии решения о принадлежности пары объектов к одной группе используется трехзначная логика, что позволяет выявлять возможные и достоверные группы.Литература
1. Канащенков А.И., Меркулов В.И., Самарин О.Ф. Облик перспективных бортовых радиолокационных систем // Возможности и ограничения. М.: ИПРЖР. 2002.
2. Li X., Yao X. Cooperatively coevolving particle swarms for large scale optimization // IEEE Trans. Evol. Comput. 2012. vol. 16. no. 2. pp. 210–224.
3. Верба В.С., Меркулов В.И. Теоретические и прикладные проблемы разработки систем радиоуправления нового поколения // Радиотехника. 2013. № 1. С. 64–68.
4. Горощенко Л.Б. Методы координированного наведения и атаки несколькими истребителями группы самолетов противника // Полет. 2000. № 6. С. 32–36.
5. Кирсанов А.П., Сорвенков О.С., Сузанский Д.Н. Методы обработки радиолокационной информации при сопровождении компактных групп воздушных объектов // Радиотехника. 1996. № 10. С. 102–108.
6. Kryś S., Jankowski S. Extended hierarchical temporal memory for visual object tracking // Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments 2011. International Society for Optics and Photonics. 2011. vol. 8008. pp. 80081C–80081C-9.
7. Wu S., San Wong H. Joint segmentation of collectively moving objects using a bag-of-words model and level set evolution // Pattern Recognition. 2012. vol. 45. no. 9. pp. 3389–3401.
8. Lan T. et al. Discriminative latent models for recognizing contextual group activities // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2012. vol. 34. no. 8. pp. 1549–1562.
9. Лучков Н.В., Пчелин Н.А. Группирование объектов на основе радиолокационных наблюдений. // Автоматизация процессов управления. 2014. № 2(36). С. 16–19.
10. Вахненко В.А., Матвеев П.А., Цишук А.А. Группирование воздушных целей // Успехи современной радиоэлектроники. 2014. № 3. С. 11–13.
11. Pedrycz W., Bargiela A. An Optimization of Allocation of Information Granularity in the Interpretation of Data Structures: Toward Granular Fuzzy Clustering // IEEE Trans. Syst. Man. And Cybern. B. 2012. vol. 42. no. 3. pp. 582–590.
12. Mei J.P., Chen L. A fuzzy approach for multitype relational data clustering // IEEE transactions on Fuzzy systems. 2012. vol. 20. no. 2. pp. 358–371.
13. Chen D. et al. A novel algorithm for finding reducts with fuzzy rough sets // IEEE Transactions on Fuzzy Systems. 2012. vol. 20. no. 2. pp. 385–389.
14. Abdallah A.C.B., Frigui H., Gader P. Adaptive local fusion with fuzzy integrals // IEEE Transactions on Fuzzy Systems. 2012. vol. 20. no. 5. pp. 849–864.
15. Lewis R., Pullin E. Revisiting the Restricted Growth Function Genetic Algorithm for Grouping Problems // Evol. Comput. 2011. vol. 19. no. 4. pp. 693–704.
16. Karasulu B., Balli S. Image Segmentation Using Fuzzy Logic, Neural Networks and Genetic Algorithms: Survey and Trends // Mach. Graph. and Vision. 2010. vol. 19. no. 4. pp. 367–409.
17. Липатов А.А. Метод и алгоритм формирования групп наблюдаемых воздушных объектов с неточными координатами состояния // Радиотехника. 2011. №8. С. 80–83.
18. Верба В.С., Липатов А.А., Федисов А.Н. Выявление групп воздушных объектов с учетом неопределенности их координат состояния // Успехи современной радиоэлектроники. 2014. №1. С. 24–29.
19. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов: пер. с англ. // М.: Мир. 1979. 536 с.
20. Нариньяни А.С. Недоопределенные множества – новый тип данных для представления знаний // Новосибирск. 1980. 28 с.
21. Нариньяни А.С. Недоопределенность в системе представления и обработки знаний // Изв. АН СССР. Техн. кибернетика. 1986. № 5. С. 3–28.
2. Li X., Yao X. Cooperatively coevolving particle swarms for large scale optimization // IEEE Trans. Evol. Comput. 2012. vol. 16. no. 2. pp. 210–224.
3. Верба В.С., Меркулов В.И. Теоретические и прикладные проблемы разработки систем радиоуправления нового поколения // Радиотехника. 2013. № 1. С. 64–68.
4. Горощенко Л.Б. Методы координированного наведения и атаки несколькими истребителями группы самолетов противника // Полет. 2000. № 6. С. 32–36.
5. Кирсанов А.П., Сорвенков О.С., Сузанский Д.Н. Методы обработки радиолокационной информации при сопровождении компактных групп воздушных объектов // Радиотехника. 1996. № 10. С. 102–108.
6. Kryś S., Jankowski S. Extended hierarchical temporal memory for visual object tracking // Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments 2011. International Society for Optics and Photonics. 2011. vol. 8008. pp. 80081C–80081C-9.
7. Wu S., San Wong H. Joint segmentation of collectively moving objects using a bag-of-words model and level set evolution // Pattern Recognition. 2012. vol. 45. no. 9. pp. 3389–3401.
8. Lan T. et al. Discriminative latent models for recognizing contextual group activities // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2012. vol. 34. no. 8. pp. 1549–1562.
9. Лучков Н.В., Пчелин Н.А. Группирование объектов на основе радиолокационных наблюдений. // Автоматизация процессов управления. 2014. № 2(36). С. 16–19.
10. Вахненко В.А., Матвеев П.А., Цишук А.А. Группирование воздушных целей // Успехи современной радиоэлектроники. 2014. № 3. С. 11–13.
11. Pedrycz W., Bargiela A. An Optimization of Allocation of Information Granularity in the Interpretation of Data Structures: Toward Granular Fuzzy Clustering // IEEE Trans. Syst. Man. And Cybern. B. 2012. vol. 42. no. 3. pp. 582–590.
12. Mei J.P., Chen L. A fuzzy approach for multitype relational data clustering // IEEE transactions on Fuzzy systems. 2012. vol. 20. no. 2. pp. 358–371.
13. Chen D. et al. A novel algorithm for finding reducts with fuzzy rough sets // IEEE Transactions on Fuzzy Systems. 2012. vol. 20. no. 2. pp. 385–389.
14. Abdallah A.C.B., Frigui H., Gader P. Adaptive local fusion with fuzzy integrals // IEEE Transactions on Fuzzy Systems. 2012. vol. 20. no. 5. pp. 849–864.
15. Lewis R., Pullin E. Revisiting the Restricted Growth Function Genetic Algorithm for Grouping Problems // Evol. Comput. 2011. vol. 19. no. 4. pp. 693–704.
16. Karasulu B., Balli S. Image Segmentation Using Fuzzy Logic, Neural Networks and Genetic Algorithms: Survey and Trends // Mach. Graph. and Vision. 2010. vol. 19. no. 4. pp. 367–409.
17. Липатов А.А. Метод и алгоритм формирования групп наблюдаемых воздушных объектов с неточными координатами состояния // Радиотехника. 2011. №8. С. 80–83.
18. Верба В.С., Липатов А.А., Федисов А.Н. Выявление групп воздушных объектов с учетом неопределенности их координат состояния // Успехи современной радиоэлектроники. 2014. №1. С. 24–29.
19. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов: пер. с англ. // М.: Мир. 1979. 536 с.
20. Нариньяни А.С. Недоопределенные множества – новый тип данных для представления знаний // Новосибирск. 1980. 28 с.
21. Нариньяни А.С. Недоопределенность в системе представления и обработки знаний // Изв. АН СССР. Техн. кибернетика. 1986. № 5. С. 3–28.
Methods of Detecting Homogeneous and Heterogeneous Groups of Objects based on Uncertain Qualitative Data
Abstract
In this paper, the criteria of detection of groups of objects are suggested. These criteria are based on uncertain estimates of objects qualitative attributes. The tasks of the homogeneous and heterogeneous detection of groups of objects are solved. In the homogeneous groups, the values of cognominal qualitative attributes are equal. In the heterogeneous groups, the values of such attributes may differ, but they have to match the a priori set valid combinations. The groups detection is based on the graph-theoretical approach. The decision about the pair of objects belonging to the same group is made by the ternary logic. That allows detecting possible and reliable object groups.
Опубликован
2016-08-01
Как цитировать
Липатов, А. А., Ушаков, В. Н., & Никитина, М. В. (2016). Методы выявления однородных и неоднородных групп объектов на основе неопределенных качественных данных. Труды СПИИРАН, 4(47), 130-143. https://doi.org/10.15622/sp.47.7
Раздел
Методы управления и обработки информации
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
