Identification of quadratic complex-valued dynamic neighborhood models on clustereddata and with outclustering

Cover Page

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

  1. 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.
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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.
  8. СЕДЫХ И.А., МАКАРОВ К.Н. Нечеткая кластеризация комплекснозначных данных // Вести учебных заведений Черноземья. – 2023.– Т. 19, №2(72). – С. 46–57
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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.
  14. BLEI D.M., NG A.Y. JORDAN M.I. Latent Dirichlet alloca-tion // Journal of Machine Learning Research, 2003. – P. 993–1022.
  15. 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.
  16. CALINSKI T., HARABASZ J. A dendrite method for cluster analysis // Taylor & Francis Online. – 1974. – Vol. 3, Iss. 1. – P. 1–27.
  17. CHARU C.A., CHANDAN K.R. Data Clustering: algo-rithms and applications. – Chapman and Hall / CRC, 2013. – 652 p.
  18. DANGETI P. Unsupervised feature selection. Computational Methods of Feature Selection. – Packt Publishing, 2017. – 442 p.
  19. Dy J.G. Statistics for Machine Learning. – NewYork: Chapman and Hall / CRC, 2007. – 440 p.
  20. EDWIN M.K., RAYMOND T.Ng. Algorithms for Mining Distance-Based Outliers in Large Datasets. – Vancouver: VLDB, 1998. – P. 392–403.
  21. KASSAMBRA A. Practical guide to cluster analysis in r. – STHDA, 2017. – 187 p.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».