Применение кластерного анализа с элементами нечеткой логики для оценки окружающей обстановки группы робототехнических средств
Ключевые слова:
нечеткая логика, признак, отождествление целей, робототехническое средствоАннотация
Возникновение чрезвычайных ситуаций, которые угрожают жизни и здоровью людей, резко повышает требования к полноте и точности представления информации о текущей ситуации. Современные робототехнические средства оснащены датчиками, работающими на различных физических принципах. Это приводит к росту входной информации, поступающей в управляющую систему. С учетом ограниченной производительности бортовой вычислительной системы, а также высокой априорной неопределенности наземной обстановки робототехнические средства не могут быть эффективно использованы без объединения получаемой информации от группы робототехнических средств и создания единой картины наземной обстановки.
Решить задачу отождествления вектор-признаков, относящихся к одному объекту, а также оценить эффективность полученных решений можно по известным формулам теории проверки статистических гипотез и теории вероятностей только при нормальном законе распределения с известными математическим ожиданием вектор-признака и корреляционной матрицей. Однако перечисленные условия на практике, как правило, не выполняются.
Предложен новый метод решения задачи отождествления вектор-признаков, не опирающийся на статистический подход, и, следовательно, не требующий знание вида закона распределения и значений его параметров. Предлагаемый метод основан на идее сочетания кластерного анализа и нечеткой логики и отличается сравнительной простой по отношению к базовым методам многомерной непараметрической статистики.
Обсуждаются математические аспекты метода нечеткой кластеризации и возможное упрощение алгоритма нечеткого отождествления при временных ограничениях. Установлено, что применение нечеткой кластеризации объектов в сложной наземной обстановке позволяет уменьшить количество ложных распознаваний объектов по сравнению с существующим статистическим подходом, ориентированным на использование нормального закона распределения.
Показано преимущество предлагаемого метода отождествления вектор-признаков объектов, даны сравнительные значения по количеству ложных распознаваний. Даны рекомендации построения правил нечеткого вывода при создании базы знаний экспертной системы.
Литература
2. Kim J. et al. Robot Intelligence Technology and Applications // Springer. 2018. 579 p.
3. Shih F.Y. Image processing and pattern recognition Fundamentals and Techniques // Wiley & Sons. 2010. 552 p.
4. Ермолов И.Л., Хрипунов С.П., Хрипунов С.С Проблемы группового применения робототехнических комплексов военного назначения и пути их решения // Ма-териалы XII мультиконференции по проблемам управления (МКПУ-2019). 2019. С. 136–138.
5. Абросимов Э.А., Куличенко А.Д., Можаев А.Н., Смирнова Е.Ю. Перспективные технологии организации группового взаимодействия и группового управления для гибридных групп мобильных роботов // Материалы XII мультиконференции по проблемам управления (МКПУ-2019). 2019. С. 116–118.
6. Панасюк Ю.Н., Пудовкин А.П. Обработка радиолокационной информации в радиотехниче¬ских системах // ФГБОУ ВПО «ТГТУ». 2016. 84 с.
7. Härdle W.K., Simar L. Applied Multivariate Statistical Analysis. 5th edition // New York: Springer. 2019. 550 p.
8. Morlini I., Minerva T., Vichi M. Advances in Statistical Models for Data Analysis // Springer. 2015. 268 p.
9. Wierzchoń S.T., Kłopotek M.A. Modern Algorithms of Cluster Analysis // Springer. 2018. 433 p.
10. Bouveyron C. et al. Model-Based Clustering and Classification for Data Science: With Applications in R // Cambridge University Press. 2019. 447 p.
11. Seetha H., Murty M.N., Tripathy B.K. Modern Technologies for Big Data Classifica-tion and Clustering // IGI Global. 2018. 382 p.
12. Егоров А.И., Куприянова Н.И. Особенности методов кластеризации данных // Известия ЮФУ. Технические науки. 2011. №11. С. 174–177.
13. Yager R., Filev D. Essentials of Fuzzy Modeling and Control // John Wiley & Sons. 1984. 387 p.
14. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. URL: http://matlab.exponenta.ru/fuzzy logic/book1/index.php (дата обраще-ния: 20.08.2019).
15. Пташко Е.А. Ухоботов В.И. Автоматическая генерация нечетких правил для управления мобильным роботом с гусеничным шасси на основе числовых дан-ных // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6. № 3. С. 60–72.
16. Прудковский Н.С., Беспечная Д.Э. Кластеризация данных лувенским методом и методом к-средних // Молодой исследователь: вызовы и перспективы сб. ст. по материалам LXXV междунар. науч.-практ. конф. 2018. С. 159–166.
17. Аль-Раммахи А.А.Х.Х., Сари Ф.А.А., Минин Ю.В. Модификация метода нечеткой кластеризации с-средних с использованием метода роя частиц для обработки больших данных // Материалы 1-ой Всероссийской (национальной) научно-практической конференции «Современная наука: теория, методология, практи-ка». 2019. С. 231–233.
18. Янчуковский В.Н. Использование параллельных вычислений в кластерном ана-лизе для формирования комплексных деталей // Вестник Иркутского государ-ственного технического университета. 2012. № 6(65). С. 25–30.
19. Подколзина Л.А. Системный анализ данных с применением иерархического алгоритма кластеризации в совокупности с методами аппарата нечеткой логи-ки // Системный анализ, управление и обработка информации материалы VI международного семинара. 2015. С. 110–113.
20. Ярушкина Н.Г. Нечеткие нейронные сети в когнитивном моделировании и тра-диционных задачах искусственного интеллекта // М.: МИФИ. 2005. 214 с.
21. Полковникова Н.А., Курейчик В.М. Нейросетевые технологии, нечеткая класте-ризация и генетические алгоритмы в экспертной системе // Известия ЮФУ. Технические науки. 2014. № 7(156). С. 7–15.
22. Петров В.Ф. и др. Сетевая структура обработки информации в распределенных системах управления наземными робототехническими комплексами // Изв. ву-зов. Электроника. 2018. Т. 23. № 4. С. 389–398.
23. Демидова Л.А., Кираковский В.В., Пылькин А.Н. Принятие решений в условиях неопределенности // Горячая линия – Телеком. 2015. 283 с.
24. Mendel J.M. Uncertain Rule-based Fuzzy Systems // Springer. 2017. 696 p.
25. Fidanova S. Recent Advances in Computational Optimization // Springer. 2019. 239 p.
26. Hooda D.S., Raich V. Fuzzy Logic Models and Fuzzy Control: An Introduction // Alpha Science International Ltd. 2017. 409 p.
27. Melin P., Castillo O., Kacprzyk J., Reformat M., Melek W. Fuzzy Logic in Intelligent System Design // Springer. 2018. 415 p.
28. Nguyen H.T., Walker C.L., Walker E.A. A First Course in Fuzzy Logic. 4th ed. // CRC Press. 2018. 458 p.
29. Tanveer M. et al. Machine Intelligence and Signal Analysis // Springer. 2018. 757 p.
30. Woyczyński W.A. A First Course in Statistics for Signal Analysis. 3rd ed. // Birkhaüser. 2019. 337 p.
31. Ley C., Verdebout T. Applied Directional Statistics Modern Methods and Case Stud-ies // CRC Press. 2019. 317 p.
32. Серегин М.Ю. Интеллектуальные информационные системы : учебное посо-бие // ФГБОУ ВПО «ТГТУ». 2012. 205 с.
33. Kochetkov M., Terentev A., Chernovolenko A. A hybrid model of the 3D-objects recognition system // 2018 IEEE Conference of Russian Young Researchers in Elec-trical and Electronic Engineering (EIConRus). 2018. pp. 1521–1524.
34. Kochetkov M., Terentev A., Chernovolenko A. Fuzzy Model of Recognition of Envi-ronmental Objects for a Mobile Robotic Complex // Proceedings of the 2019 IEEE Conference of Russia Young Researchers in Electrical and Electronic Engineering, EIConRus 2019.
Опубликован
Как цитировать
Раздел
Copyright (c) Олег Владимирович Петров
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
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).