Данная статья посвящена решению задачи построения нейронечеткой модели для классификации типа стекла. Решение этой задачи актуально в криминологических расследованиях, в медицине, оконной промышленности, автомобилестроении и других предметных областях. Для ее решения обоснована целесообразность построения и использования нейронечеткой модели. Для построения модели потребовался выбор и подготовка набора данных, характеризующих различные типы стекол, а также выбор и применение инструментальной среды нейронечеткого моделирования. Для решения поставленной задачи произведен поиск наборов данных в репозитории UCI и найден набор «Glass identification», предназначенный для распознавания следующих типов стекла: термополированное стекло зданий, обычное стекло зданий, термополированное стекло автомобилей, стеклянная тара, стекло для посуды, стекло фар автомобиля. Подготовка набора данных к анализу выполнена на базе аналитической платформы Deductor. Для этого разработан сценарий, предусматривающий выполнение следующих этапов: загрузка данных, настройка набора данных, выполнение корреляционного анализа, оценка качества данных, редактирование выбросов и экстремальных значений, экспорт данных. На этапе настройки данных задавались типы (целый или вещественный) и виды (дискретный или непрерывный) данных для соответствующих входных и выходного столбцов. Корреляционный анализ позволил выявить степени влияния каждого входного столбца на выходной и выбрать информативные признаки для анализа. Реализованы также этапы оценки качества данных, редактирования выбросов и экстремальных значений. После выполнения указанных процедур данные были экспортированы в текстовый файл для дальнейшего анализа и построения нейронечеткой модели. Итоговая выборка данных для анализа включала 214 строк, 4 входных столбца (Na, Mg, Al, Ba) и 1 выходной (Type of glass) c 6 классами типа стекла. На основе подготовленных данных произведено обучение нечеткой нейронной сети в программном комплексе «Нейронечеткая система формирования нечетких моделей оценки дискретного состояния объектов». Время построения модели составило 6 минут и 42 секунды. За это время реализовано 6 полных циклов обучения нечеткой нейронной сети. В каждом цикле генетический алгоритм настраивал значения 20-ти параметров функций принадлежности. В ходе обучения удалось достичь точности классификации 93,62% на обучающей выборке данных и 92,21% - на тестовой. Это указывает на адекватность построенной модели и на возможность ее эффективного практического использования.
This article is devoted to the solution of the problem of constructing a neuro-fuzzy model for classifying the type of glass. The solution of this problem is relevant in criminological investigations, in medicine, the window industry, the automotive industry and other subject areas. To solve it, the feasibility of constructing and using a neuro-fuzzy model is substantiated. To build the model, it was necessary to select and prepare a data set characterizing various types of glass, as well as select and use the tool environment of neuro-fuzzy modeling. To solve the problem, a search for data sets was performed in the UCI repository and the "Glass identification" set was found, designed to recognize the following types of glass: heat-polished glass of buildings, ordinary glass of buildings, heat-polished glass of cars, glass containers, glass for dishes, glass of car headlights. The data set for analysis was prepared on the basis of the Deductor analytical platform. For this, a scenario was developed that provides for the following steps: loading data, setting up a data set, performing correlation analysis, assessing the quality of data, editing outliers and extreme values, exporting data. At the data setup stage, the data types (integer or real) and types (discrete or continuous) were set for the corresponding input and output columns. Correlation analysis allowed us to identify the degrees of influence of each input column on the output column and select informative features for analysis. The data quality assessment stages, editing of outliers and extreme values were also implemented. After completing the specified procedures, the data were exported to a text file for further analysis and building a neuro-fuzzy model. The final data sample for analysis included 214 rows, 4 input columns (Na, Mg, Al, Ba) and 1 output (Type of glass) with 6 classes of glass type. Based on the prepared data, the fuzzy neural network was trained in the Neuro-Fuzzy System for Forming Fuzzy Models for Assessing the Discrete State of Objects software package. The model construction time was 6 minutes and 42 seconds. During this time, 6 full cycles of fuzzy neural network training were implemented. In each cycle, the genetic algorithm adjusted the values of 20 parameters of the membership functions. During training, it was possible to achieve classification accuracy of 93.62% on the training data sample and 92.21% on the test sample. This indicates the adequacy of the constructed model and the possibility of its effective practical use.