Синтез нейро-нечетких диагностических моделей с хэширующим преобразованием в последовательном и параллельном режимах

Abstract

RU: Актуальность. Решена актуальная задача повышения скорости построения нейро-нечетких моделей по прецедентам. Цель работы – создание метода синтеза нейро-нечетких сетей, обладающего высокой скоростью вычисленией и позволяющего реализовать синтез нейро-нечетких сетей в параллельном режиме. Метод. Предложен метод построения нейро-нечетких моделей по прецедентам, который осуществляет сокращение размерности входных данных посредством хэширующего отображения на одномерную ось с сохранением локальной топологии кластеров в признаковом пространстве, оценивает значимость признаков и экземпляров на основе выделенных кластеров, а также формирует разбиение исходного признакового пространства в автоматическом режиме, синтезирует структуру и настраивает параметры нейро-нечеткой модели автоматически, исключая из процесса обучения нейро-нечеткой модели малоинформативные данные, упрощая тем самым структуру получаемых моделей, а также позволяет наиболее вычислительно трудоемкие операции выполнять в параллельном режиме, что позволяет автоматизировать процесс синтеза нейро-нечетких моделей по прецедентам, а также повысить скорость построения нейро-нечетких моделей как при последовательной, так и при параллельной реализации вычислений. Результаты. Разработано программное обеспечение, реализующее предложенный метод, которое использовано при проведении вычислительных экспериментов по исследованию свойств метода. Выводы. Проведенные эксперименты подтвердили работоспособность предложенного метода и реализующего его программного обеспечения, а также позволяют рекомендовать их для применения на практике для решения задач диагностирования и автоматической классификации по признакам. UK: Актуальність. Вирішено актуальну задачу підвищення швидкості побудови нейро-нечітких моделей за прецедентами. Мета роботи – створення методу синтезу нейро-нечітких мереж, що має високу швидкість обчислень і дозволяє реалізувати синтез нейро-нечітких мереж у паралельному режимі. Метод. Запропоновано метод побудови нейро-нечітких моделей за прецедентами, що здійснює скорочення розмірності вхідних даних за допомогою гэшувального відображення на одномірну вісь зі збереженням локальної топології кластерів у просторі ознак, оцінює значимість ознак і екземплярів на основі виділених кластерів, а також формує розбиття вихідного простору ознак в автоматичному режимі, синтезує структуру і налаштовує параметри нейро-нечіткої моделі автоматично, вилучає з процесу навчання нейро-нечіткої моделі малоінформативні дані, спрощуючи тим самим структуру одержуваних моделей, та дозволяє найбільше обчислювально трудомісткі операції виконувати в паралельному режимі, що дозволяє автоматизувати процес синтезу нейро-нечітких моделей за прецедентами, а також підвищити швидкість побудови нейро-нечітких моделей як при послідовній, так і при паралельній реалізації обчислень. Результати. Розроблено програмне забезпечення, яке реалізує запропонований метод, що використано при проведенні обчислювальних експериментів з дослідження властивостей методу. Висновки. Проведені експерименти підтвердили працездатність запропонованого методу і програмного забезпечення, що його реалізує, а також дозволяють рекомендувати їх для застосування на практиці для рішення задач діагностування й автоматичної класифікації за ознаками. EN: Context. The urgent task of improving the speed of neuro-fuzzy model construction by the precedents has been solved. Objective is a creation of a neuro-fuzzy network synthesis method with high speed of computations and allowing to realize the synthesis of neuro-fuzzy networks in parallel mode. Method. The method of neuro-fuzzy model constructing by precedents, which reduces the dimension of the input data by hashing transformation to the one-dimensional axis saving local cluster topology in a feature space, estimates the significance of the features and instances on the basis of selected clusters, and also forms a partition of the original feature space in an automatic mode, synthesizes structure and adjusts parameters of the neuro-fuzzy model automatically, excluding from the training process of the neuro-fuzzy model the uninformative data, thus simplifying the structure of the obtained model, allows to perform most computationally costly operations in parallel mode, that allows to automate the process of neuro-fuzzy model synthesis by precedents, as well as to increase the speed of neuro-fuzzy model construction both in sequential and in parallel implementation of computations. Results. The software implementing proposed method have been developed and used in computational experiments investigating the properties of the method. The experiments confirmed the efficiency of the proposed method and software. Conclusions. The experiments also allow to recommend them for use in practice to solve the problems of diagnosis and automatic classification by the features.