Identification of quadratic complex-valued dynamic neighborhood models on clustereddata and with outclustering
- Authors: Sedykh I.A.1, Makarov K.N.1
-
Affiliations:
- Lipetsk State Technical University
- Issue: No 111 (2024)
- Pages: 66-80
- Section: Systems analysis
- URL: https://journal-vniispk.ru/1819-2440/article/view/289115
- DOI: https://doi.org/10.25728/ubs.2024.111.2
- ID: 289115
Cite item
Full Text
Abstract
Neighborhood models and their modifications used to model various distributed systems and processes. The study considers a quadratic complex-valued dynamic neighborhood model in which the parameters, inputs and states are complex numbers, and its definition is given. The model functions in discrete time. An example of a complex-valued dynamic neighborhood model consisting of three nodes shown, for which the graph of the structure and the functions of the intersection of states given in general form. A special case of recalculation functions for a quadratic model is also considered. An algorithm for identifying a complex-valued dynamic neighborhood model whose parameters are determined by the least squares method given. A general view of the matrices of a system of linear equations for finding the parameters of a quadratic model shown. Matrices are given and identification performed for the considered example of a neighborhood model. The root-mean-square and average reduced identification errors are found. The paper also considers the identification of a complex-valued dynamic neighborhood model on clustered data. Clustering performed using complex data sets by the k-means method. The proposed identification algorithms implemented in the form of a program in the Mathcad package, with the help of which the results of identification of a quadratic complex-valued dynamic neighborhood model on clustered data and without clustering are compared.
About the authors
Irina Aleksandrovna Sedykh
Lipetsk State Technical University
Email: sedykh–irina@yandex.ru
Lipetsk
Kirill Nikolaevich Makarov
Lipetsk State Technical University
Email: kirik0–1@yandex.ru
Lipetsk
References
- БАЮК Д.А., БАЮК О.А., БЕРЗИН Д.В. и др. Практиче-ское применение методов кластеризации, классифика-ции и аппроксимации на основе нейронных сетей. – М.: Прометей, 2020. – 448 с.
- БЕССМЕРТНЫЙ И.А., НУГУМАНОВА А.Б., ПЛАТО-НОВ А.В. Интеллектуальные системы. Учебник и прак-тикум для вузов. М.: Изд-во Юрайт, 2023. – 243 с. // Об-разовательная платформа Юрайт. – URL: https://urait.ru/bcode/511999 (дата обращения: 24.05.2023).
- ВОРОНОВ М.В., ПИМЕНОВ В.И., НЕБАЕВ И.А. Систе-мы искусственного интеллекта. Учебник и практикум для вузов. – М.: Изд-во Юрайт, 2023. – 256 с. // Образо-вательная платформа Юрай. – URL: https://urait.ru/bcode/519916 (дата обращения: 24.05.2023).
- КРАСНОПЕРОВ К.Ю., СЕМЕНОВ В.А. Анализ примене-ния теории комплексных чисел в обработке и хранении данных // Современные научные исследования и иннова-ции. – 2023. – № 9. – URL: https://web.snauka.ru/issues/2023/09/100742 (дата обраще-ния: 03.02.2024).
- НАЗАРОВ Д.М., КОНЫШЕВА Л.К. Интеллектуальные системы: основы теории нечетких множеств. Учебник и практикум для вузов. – М.: Изд-во Юрайт, 2023. – 186 с. // Образовательная платформа Юрайт. – URL: https://urait.ru/bcode/514414 (дата обращения: 24.05.2023).
- ПЛАТОНОВ А.В. Машинное обучение. Учебное пособие для вузов. – М.: Изд-во Юрайт, 2023. – 85 с. // Образова-тельная платформа Юрайт. – URL: https://urait.ru/bcode/520544 (дата обращения: 24.05.2023).
- СЕДЫХ И.А. Линейные и квадратичные нечеткие иерар-хические окрестностные модели производства холодно-катаной стали // Вестник ВГУ. Серия: Системный ана-лиз и информационные технологии. – 2019. – №1. – С. 67–73.
- СЕДЫХ И.А., МАКАРОВ К.Н. Нечеткая кластеризация комплекснозначных данных // Вести учебных заведений Черноземья. – 2023.– Т. 19, №2(72). – С. 46–57
- СКОРУБСКИЙ В.И., ПОЛЯКОВ В.И., ЗЫКОВ А.Г. Ма-тематическая логика. Учебник и практикум для вузов. –М.: Изд-во Юрайт, 2023. – 211 с. // Образовательная платформа Юрайт. – URL: https://urait.ru/bcode/511996 (дата обращения: 24.05.2023).
- СТАНКЕВИЧ Л.А. Интеллектуальные системы и тех-нологии. Учебник и практикум для вузов. – Саратов: Са-ратовский государственный технический университет имени Ю.А. Гагарина, ЭБС АСВ, 2019. — 160 c. // IPR SMART: – URL: https://www.iprbookshop.ru/118365.html (дата обращения: 24.05.2023).
- ТРЕГУБОВ В.Н., КАТКОВА М.А. Информационное про-странство логистического кластера: теория и мето-дология формирования на основе облачных технологий. – М.: Изд-во Юрайт, 2023. – 495 с. // Образовательная платформа Юрайт. – URL: https://urait.ru/bcode/530657 (дата обращения: 24.05.2023).
- ХАЛИН В.Г. и др. Системы поддержки принятия реше-ний. Учебник и практикум для вузов / Под редакцией В.Г. Халина, Г.В. Черновой. – М.: Изд-во Юрайт, 2023. – 494 с. // Образовательная платформа Юрайт. – URL: https://urait.ru/bcode/511245 (дата обращения: 24.05.2023).
- ARTHUR D., VASSILIVITSKII S. k-means++: the ad-vantages of careful seedings // Proc. of the Eighteenth An-nual ACM-SIAM Symposium on Discrete Algorithms, 2007. – 1027–1035 p.
- BLEI D.M., NG A.Y. JORDAN M.I. Latent Dirichlet alloca-tion // Journal of Machine Learning Research, 2003. – P. 993–1022.
- BRADLEY P.S., FAYYAD U.M. Refining initial points for k-means clustering // Proc. of the 15th Int. Conf. of Machine Learning, San Francisco, 1998. – 99 p.
- CALINSKI T., HARABASZ J. A dendrite method for cluster analysis // Taylor & Francis Online. – 1974. – Vol. 3, Iss. 1. – P. 1–27.
- CHARU C.A., CHANDAN K.R. Data Clustering: algo-rithms and applications. – Chapman and Hall / CRC, 2013. – 652 p.
- DANGETI P. Unsupervised feature selection. Computational Methods of Feature Selection. – Packt Publishing, 2017. – 442 p.
- Dy J.G. Statistics for Machine Learning. – NewYork: Chapman and Hall / CRC, 2007. – 440 p.
- EDWIN M.K., RAYMOND T.Ng. Algorithms for Mining Distance-Based Outliers in Large Datasets. – Vancouver: VLDB, 1998. – P. 392–403.
- KASSAMBRA A. Practical guide to cluster analysis in r. – STHDA, 2017. – 187 p.
Supplementary files
