Штучний інтелект

Анотація: Розглядається метод факторного кластер-аналізу, який дозволяє автоматично перенавчати бортову систему розпізнавання безпілотного авіаційного комплексу при ідентифікації кадрів, сформованого по оптичному каналу цифрового зображення регіону. Задача інформаційного синтезу бортової системи для ідентифікації кадрів розв’язується в рамках інформаційно-екстремальної інтелектуальної технології аналізу даних, яка базується на максимізації інформаційної спроможності системи в процесі машинного навчання. У рамках функціонального підходу до моделювання когнітивних процесів, притаманних людині при формуванні та прийнятті класифікаційних рішень, запропоновано категорійну модель у вигляді орієнтованого графу. Згідно з категорійною моделлю розроблено алгоритмічне забезпечення інформаційно-екстремального факторного кластер-аналізу, що дозволяє автоматично перенавчати бортову систему розпізнавання при розширенні алфавіту класів розпізнавання. За цим алгоритмом бортової системи розпізнавання попередньо здійснює інформаційно-екстремальне машинне навчання за алфавітом класів розпізнавання відносно малої потужності. При появі нових класів розпізнавання їх некласифіковані структуровані вектори ознак розпізнавання утворюють додаткові навчальні матриці. Додаткова навчальна матриця, яка досягає репрезентативного обсягу, приєднується до вхідної навчальної матриці та здійснюється перенавчання бортової системи розпізнавання. Формування додаткових навчальних матриць нових класів розпізнавання здійснюється за агломеративним алгорит- мом кластер-аналізу некласифікованих векторів за методом k-середніх. Як критерій оптимізації параметрів машинного навчання було використано модифікований критерій Кульбака, який є функціоналом від точнісних характеристик класифікаційних рішень. Для підвищення функціональної ефективності факторного кластер- аналізу пропонується збільшити глибину машинного навчання шляхом оптимізації параметрів оброблення зображень кадрів.

Ключові слова: інформаційно-екстремальне машинне навчання; ідентифікація; кадр цифрового зображення регіону

Посилання:

1. Naumenko I., Myronenko M., Piatachenko V. (2019). Information-extreme learning of on- board system for recognition of ground vehicle. CEUR Workshop Proceedings, 121-132.
2. Dovbysh, A.S., Martynenko, S.S., Kovalenko, A.S., Budnyk, M.M. (2011). Information-extreme algorithm for recognizing current distribution maps in magnetocardiography. Journal of Automation and Information Sciences, 63-70. DOI: 10.1615/JAutomatInfScien.v43.i2.60.
3. Dovbysh, А.S., Moskalenko, V.V., Rizhova, A.S. (2016). Information-Extreme Method for Classification of Observations with Categorical Attributes. Cibernetica and Systems Analysis, 52(2), 45-52.
4. Schmidt J. (2019). Recent advances and applications of machine learning in solid-state materials science. NPG Computational Materials, 5(1), 1–36.
5. Nguyen T.D., Kwoh C.K. (2016). Efficient agglomerative hierarchical clustering for biological sequence analysis. IEEE Region 10 Annual International Conference, Proceedings/TENCON. Institute of Electrical and Electronics Engineers Inc., Vol. 2016-January.
6. Snoek J., Larochelle H., Adams R.P. Practical Bayesian Optimization of Machine Learning Algorithms.
7. Ahalya G., Pandey H.M. (2015). Data clustering approaches survey and analysis. 2015 International Conference on Futuristic Trends on Computational Analysis and Knowledge Management, Noida 532-537, DOI: 10.1109/ABLAZE.2015.7154919.
8. Protsenko O., Savchenko T., Myronenko M., Prikhodchenko O. (2020). Informational and extreme machine learning for onboard recognition system of ground objects. IEEE 11th International Conference on Dependable Systems, Services and Technologies, 213-218. DOI: 10.1109/DESSERT50317.2020.9125025.