МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ КАК АЛЬТЕРНАТИВА ФАКТОРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ

DOI: 10.47026/1810-1909-2024-2-141-150

УДК 621.311.001.57

ББК 31.27-05

Л.А. СЛАВУТСКИЙ, Е.В. СЛАВУТСКАЯ

Ключевые слова

многомерные информационные потоки, машинное обучение, дерево решений, классификация, распознавание связей, нейронные сети

Аннотация

Многомерные случайные данные и информационные потоки часто имеют разную или ограниченную числовую размерность. При анализе внутрисистемных связей таких данных корреляционный и факторный анализ неэффективны.

Цель исследования – оценить возможности комбинированного использования метода «дерево решений» и аппарата искусственных нейронных сетей для анализа многомерных случайных данных.

Материалы и методы. Методы машинного обучения применены для классификации многомерных случайных данных, имеющих разную числовую размерность и статистическое распределение. В качестве программного обеспечения использована аналитическая платформа «Deductor». Экспериментальный массив данных содержит 27 случайных параметров. Системный анализ проводился на выборке от 200 до 500 значений каждого из параметров.

Результаты исследования. Показано, что предлагаемый подход к системному анализу многомерных информационных потоков обладает рядом преимуществ по сравнению с традиционным корреляционным и факторным анализом. Он не накладывает ограничений на статистические распределения, позволяет работать с ограниченной выборкой данных, осуществлять выделение наиболее значимых параметров.

Выводы. Комбинированное использование методов машинного обучения позволяет существенно уменьшить обучающую выборку без потери точности вычислений. Для технических приложений это даёт возможность получать и анализировать информацию в динамике в реальном времени с использованием стандартного микропроцессорного оборудования. Результаты могут найти применение в задачах информационного обмена и кибербезопастности электроэнергетики.

Литература

1. Андреев О.Н., Славутский А.Л, Алексеев В.В. Структурный анализ электротехнических сигналов при рекуррентном использовании многослойного персептрона // Электротехника. 2022. № 8. С. 41–44. DOI53891/00135860_2022_8_41.
2. Андреев О.Н., Ксенофонтов С.И., Славутский А.Л. Моделирование и нейросетевая обработка сигналов при переходных процессах в электротехнических комплексах. Чебоксары: Чуваш. гос. пед. ун-т, 2023. 212 с.
3. Афанасьев А.Ю., Макаров В.Г., Ханнанова В.Н. Идентификация параметров трехфазного асинхронного двигателя при изменении начальных значений оценок в широком диапазоне // Известия высших учебных заведений. Проблемы энергетики. 2015. № 11-12. С. 87–96.
4. Булычев А.В., Охоткин Г.П., Силанов Д.Н. Цифровая система релейной защиты в распределительных электрических сетях // Электротехника. 2020. № 8. С. 31–35.
5. Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений» / Е.В. Славутская, Л.А. Славутский, В.С. Абруков и др. // Science for Education Today. 2020. № 3. С. 87–107. DOI: http://dx.doi.org/10.15293/2658-6762.2003.05.
6. Воробьев Е.С., Антонов В.И., Наумов В.А. Функциональная совместимость устройств РЗА мультивендорных цифровых подстанций // Релейная защита и автоматизация. 2019. № 4(37). С. 42–45.
7. Дюк В., Самойленко А. Data Mining: учебный курс. СПб.: Питер, 2001. 386 с.
8. Кощеев М.И., Ларюхин А.А., Славутский А.Л. Использование адаптивных нейроалгоритмов для распознавания аномальных режимов систем вторичного оборудования электроэнергетики // Вестник Чувашского университета. 2019. № 1. С. 47-58.
9. Левитин А.В. Ограничения мощи алгоритмов: Деревья принятия решения // Алгоритмы. Введение в разработку и анализ (глава 10). М.: Вильямс, 2006. С. 409-417.
10. Лямец Ю.Я., Воронов П.И., Мартынов М.В., Маслов А.Н. Обучение релейной защиты на малом окне наблюдения // Электричество. 2017. № 3. С. 28–33.
11. Adriaens F., Lijffijt J., De Bie T. Subjectively interesting connecting trees and forests. Data Min Knowl Disc, 2019, vol. 33, pp. 1088–1124. DOI: 10.1007/s10618-019-00627-1.
12. Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Monterey C A: Wadsworth & Brooks/Cole Advanced Books & Software, 1984, 366 p.
13. Eidemiller E.G., Yustitsky V.V. Family psychotherapy: The basic principles and practical experience. International Journal of Family Psychiatry, 1989, vol. 10(3-4), pp. 325–
14. Genrikhov I.E., Djukova E.V., Zhuravlev V.I. On full regression decision trees. Pattern Recognit. Image Anal., 2017, vol. 27, pp. 1–7. DOI: 1134/S1054661817010047.
15. Grossberg S. Toward Autonomous Adaptive Intelligence: Building Upon Neural Models of How Brains Make Minds. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, vol. 51, no. 1, pp. 51–75. DOI: 10.1109/TSMC.2020.3041476.
16. Holena M., Pulc P., Kopp M. Classification Methods for Internet Applications. Springer. 2020. DOI: 10.1007/978-3-030-36962-0.
17. Kaiser H.F. The application of electronic computers to factor analysis. Educational and Psychological Measurement, 1960, 20, pp. 141–151.
18. Kantardzic M. Data mining: concepts, models, methods, and algorithms. John Wiley &Sons, 2011, 550 p.
19. Kulikov A., Loskutov A., Bezdushniy D., Petrov I. Decision Tree Models and Machine Learning Algorithms in the Fault Recognition on Power Lines with Branches. Energies, 2023, 16, p. 5563.
20. Kulikov A.L., Loskutov A.A., Mitrovic M. Improvement of the technical excellence of multiparameter relay protection by combining the signals of the measuring fault detectors using artificial intelligence methods. In: International Scientific and Technical Conference Smart Energy Systems (SES-2019), 2019, vol. 124. DOI 10.1051/e3sconf/201912401039.
21. Leonowicz Z., Jasinski M. Machine Learning and Data Mining Applications in Power Systems. Energies, 2022, 15, p. 1676. DOI: 10.3390/en15051676.
22. Quintero-Zuluaga J.F.. Viana-VillaP., Villegas D. Decision Tree-Based Automated Test-Bed for Performance Validation of Line Protection Relays Using a Hardware-in-the-Loop Architecture. In: IEEE Colombian Conference on Applications of Computational Intelligence (IEEE ColCACI 2020), Cali, Colombia, 2020, pp. 1–6. DOI: 10.1109/ColCACI50549.2020.9247877.
23. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. Parallel Distributed Processing. Cambridge, MA-MIT Press, 1986, vol. 1, pp. 318–362.
24. Samantaray S.R., Kamwa I., Joos G. Ensemble decision trees for phasor measurement unit-based wide-area security assessment in the operations time frame. IET Generation, Transmission & Distribution, 2010, vol. 4(12), 1334–1348. DOI: 10.1049/iet-gtd.2010.0201.
25. Schaefer E.S., Bell R.Q. Development of a parental attitude research instrument. Child Develop., 1958, vol. 29, pp. 339–361.
26. Singh V.K., Govindarasu M. Cyber-Physical Anomaly Detection for Wide-Area Protection Using Machine Learning. IEEE Transactions on Smart Grid, 2021, vol. 12, no. 4, pp. 3514–3526. DOI: 10.1109/TSG.2021.3066316.
27. Slavutskaya E.V., Slavutskii L.A., Nikolaev L. Neural Network Models for the Analysis and Visualization of Latent Dependencies: Examples of Psycho Diagnostic Data Processing. Knowledge in the Information Society: Joint Conferences XII Communicative Strategies of the Information Society (CSIS2020) and XX Professional Culture of the Specialist of the Future (PCSF2020). Cham, Springer Verlag, 2021, pp. 61–70. DOI 10.1007/978-3-030-65857-1_7.
28. Slavutskaya E., Slavutskii L., Zakharova Integrated Use of Data Mining Techniques for Personality Structure Analysis. Technology, Innovation and Creativity in Digital Society. Springer Nature Switzerland, 2022, vol. 345, pp. 522–533. DOI 10.1007/978-3-030-89708-6_44.

Сведения об авторах

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; ORCID: https://orcid.org/0000-0001-6783-2985).

Славутская Елена Владимировна – доктор психологических наук, профессор кафедры педагогики и психологии, Чувашский государственный педагогический университет имени И.Я. Яковлева, Россия, Чебоксары (slavutskayaev@gmail.com; ORCID: https://orcid.org/0000-0002-3759-6288).

Формат цитирования

Славутский Л.А., Славутская Е.В. Методы машинного обучения как альтернатива факторизации многомерных данных // Вестник Чувашского университета. – 2024. – № 2. – С. 141–150. DOI: 10.47026/1810-1909-2024-2-141-150.

Загрузить полный текст статьи