КЛАССИФИКАЦИЯ ТИПА СТЕКЛА НА ОСНОВЕ НЕЙРОНЕЧЕТКОЙ МОДЕЛИ
Авторы:
1.
Казанский государственный энергетический университет
2.
Казанский государственный энергетический университет
3.
Казанский государственный энергетический университет
Тип:
Статья
Номер статьи:
Статус:
Опубликован
Получено:
05.08.2025
Одобрено:
07.08.2025
Опубликовано:
07.08.2025
Язык материала:
русский
Ключевые слова:
НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, НЕЙРОНЕЧЕТКАЯ МОДЕЛЬ, МОДЕЛИРОВАНИЕ, НЕЧЕТКАЯ БАЗА ЗНАНИЙ, ТИП СТЕКЛА, НЕЙРОНЕЧЕТКАЯ КЛАССИФИКАЦИЯ
Аннотация (русский):
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.
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.
Ключевые слова:
НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, НЕЙРОНЕЧЕТКАЯ МОДЕЛЬ, МОДЕЛИРОВАНИЕ, НЕЧЕТКАЯ БАЗА ЗНАНИЙ, ТИП СТЕКЛА, НЕЙРОНЕЧЕТКАЯ КЛАССИФИКАЦИЯ
НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ, НЕЙРОНЕЧЕТКАЯ МОДЕЛЬ, МОДЕЛИРОВАНИЕ, НЕЧЕТКАЯ БАЗА ЗНАНИЙ, ТИП СТЕКЛА, НЕЙРОНЕЧЕТКАЯ КЛАССИФИКАЦИЯ
