Методи та засоби гібридних штучних імунних систем в задачах інтелектуального аналізу даних

Рис.20. Способи використання процедури клонального відбору для структурно-параметричного синтезу колективів радіально-базисних та вейвлет нейронних мереж для задач класифікації

Для розв'язання задач класифікації розроблено метод синтезу колективів бінарних класифікаторів у вигляд вейвлет- та РБФ- нейронних мереж за допомогою штучних імунних систем. Спосіб синтезу наведений на рис.21.

Рис.21. Синтез колективу бінарних класифікаторів вейвлет-нейронних мереж

Ідентифікація стану системи здійснюється по виразу (20):

(20)

У шостому розділі на підставі розроблених у попередніх розділах підходів до організації обчислювальних систем описаний створений пакет прикладних програмних продуктів Himmlab, для розв'язання задач класифікації, апроксимації, прогнозування й кластеризації в низці наукових галузей і в промисловості.

Пакет включає низку програмних модулів, кожний з яких реалізує певну процедуру і призначений для розв'язання певної підмножини задач. Створений пакет має гнучку архітектуру, що дозволяє здійснювати впровадження в неї додаткових програмних модулів без перебудови всього алгоритму функціонування. Концептуальна модель пакета Himmlab представлено на рисунку 22. Система може бути умовно розділена на шість логічних блоків: блок інтерфейсу користувача, блок керування завантаженням даних, блок попередньої обробки даних, блок синтезу моделі, блок тестування моделі й блок генерації звітів. Коротке функціональне призначення кожного блоку подане нижче.

Блок інтерфейсу користувача виконує наступні основні функції: керування вводом даних, що надходять для аналізу; виведення інформації про результати тестування синтезованої моделі; налагоджувань способів попередньої обробки вхідних даних; керування процесом навчання (синтезу моделі), у тому числі вибір і налагоджування процедури навчання; вивід інформації про хід процесу навчання; візуалізація всієї необхідної інформації в графічному та текстовому вигляді.

Рис. 22. Концептуальна модель програмної системи Himmlab

Блок керування завантаженням даних здійснює читання даних із зовнішнього носія, розпізнавання структури й типів даних, а, також, завантаження необхідної порції даних у пам'ять для подальшої обробки. Обсяг даних, що завантажуються, визначається користувачем. Система підтримує формати DAT, CSV з різними роздільниками. При цьому рекомендується кожному стовпчику даних давати унікальне ім'я. За допомогою керування через інтерфейс користувача, блок керування завантаженням даних здійснює розділення вхідних даних на навчальні і тестові.

Блок попередньої обробки даних реалізує певні базові методи попередньої обробки вхідних даних, таких як нормалізація, занурення ( для часових рядів), обчислення перших різниць. Кожний з методів має додаткові налаштування. Існує також можливість послідовного застосування декількох методів для тих самих даних, що забезпечує багатоступінчасту попередню обробку.

Блок синтезу моделі використовує обраний процедура навчання для синтезу моделі, на підставі вхідної в нього навчальної вибірки даних. Конструктивно блок організований таким чином, що його робота не залежить від типу розв'язуваної задачі. Це забезпечує сумісність системи з будь-яким обчислювальним методом, як показано на схемі (рис. 23). Завдяки такій організації система може бути розширювана за допомогою елементів, що підключаються, - плагінів. Кожний елемент, що підключається, містить у собі процедуру навчання, адаптовану до розв'язання задачі певного типу. У програмній реалізації всі плагіни представлені у вигляді JAR-Файлів, які, будучи завантаженими (статично або динамічно), надають у розпорядження системі не тільки класи обчислювальних методів, що зберігаються в них, але й елементи інтерфейсу (програмного і користувацького), за допомогою яких дані обчислювальні методи можуть бути налаштовані.

Блок тестування моделі здійснює перевірку якості синтезованої моделі на тестовій вибірці даних. При перевірці якості використовується ряд загальних показників (RMSE, ME, MAPE і т.д.) і кілька спеціальних показників, що залежать від типу розв'язуваної задачі.

Блок генерації звітів використовує результати роботи блоків синтезу моделі й тестування моделі для створення, збереження й візуалізації звіту про результати розв'язання задачі. Блок здійснює виведення і збереження синтезованої моделі для можливості її повторного завантаження й тестування.

У сьомому розділі наведені результати практичного використання розроблених моделей і методів ШІС. В розділу на першому прикладі показано, як можна використовувати розроблені імунні процедури, зокрема: комбіновану імунну мережу та модель негативного відбору, модифікований алгоритм негативного відбору, кооперативну процедуру для розв'язку задач класифікації. У загальному вигляді задача виявлення аномалій представлена наступним чином. Користувачем вибирається розмір часового вікна, де значення часового ряду, що потрапили всередину цього часового віна утворюють вектор ознак Вектору ознак ставиться у відповідність приналежність до одного з двох класів: перший клас, якщо фрагмент часового ряду, що відповідає даному вектору не містить аномалій (тобто відноситься до класу «своїх»), другий клас - в іншому випадку. Часове вікно зміщується (ковзає) вздовж часового ряду на задану користувачем кількість кроків величину кроків, утворюючи множину векторів, які ділять простір ознак на дві частини: з аномаліями і без них. Задача полягає у віднесенні будь-якого вектора, утвореного ковзаючим часовим вікном, до одного з двох виділених класів. З іншого боку, якщо розглядати досліджуваний процес як динамічну систему, то утворена за допомогою ковзного вікна множина векторів представляє собою відновлений фазовий портрет динамічної системи, а самі вектори - точки, що належать фазовій траєкторії цієї системи. При нормальній поведінці, ця траєкторія може сприйматися як еталонний образ, всяке відхилення від якого є ознакою аномалії. Слід підкреслити, що при використанні моделей на основі негативного відбору немає необхідності включати в навчальну вибірку вектори, які відповідають аномальній поведінці, що дає можливість фіксувати будь-що, навіть невідомі аномалії. Для експерименту були використані дані, отримані на випробувальному стенді авіаційного газотурбінного двигуна. Для порівняння проводилася точна стендова діагностика, в якій брали участь експерти. Отже, отримані результати діагностування аномалій (Таблиця 1) за допомогою запропонованої системи, свідчать про високий ступінь їхньої достовірності, а також про близькість оцінок, наданих експертами з використанням стенду, і оцінок, отриманих за допомогою розроблених алгоритмів і систем. Розроблений програмний комплекс був впроваджений в Севастопольському військово-морському ордена Червоної Зірки інституті ім. П.С. Нахімова для розв'язання задач ідентифікації роботи оператора, прогнозування бортової хитавиці

Розроблений програмний комплекс був впроваджений в “Дніпровському підприємстві ЕРА” для виявлення аномалій у вимірювальних даних під час контролі електрообладнання, а також в ТзОВ науково-виробнича фірма “МОНАДА” під час діагностування технічного обладнання.

Таблиця 1.

Результати порівняльних досліджень ефективності розроблених процедур визначення аномалій TP =True Positives - вірно класифіковані позитивні приклади (так звані істинно позитивні випадки); TN =True Negatives - вірно класифіковані негативні приклади (істинно негативні випадки); FN =False Negatives - позитивні приклади, класифіковані як негативні (помилка I роду). FP = False Positives - негативні приклади класифіковані як позитивні (помилка II роду).

Другим прикладом практичного використання ШІС для моделювання часового ряду кутів крену корабля при бортовій хитавиці за допомогою синтезованих вейвлет-, РБФ- і нейронечітких мереж які використовуються в адаптивному нейромережевому компенсаторі помилок оператора під час візуального стеження за ціллю в контурі управління слідкуючої системи. В розділі наведені дослідження точності отриманих моделей вейвлет-, РБФ- і нейронечітких мереж. Аналіз отриманих експериментальних результатів з прогнозування бортової хитавиці корабля показали, що використання штучних імунних систем дає змогу зменшити помилку прогнозу в 7 разів, що робить доцільним використання розроблених імунних процедур в модулі адаптивного компенсатора в системі візуального спостереження за цілю.

Третім прикладом практичного використання розроблених ШІС є вирішення задач класифікації SELDI мас-спектрів, які використовують для ранньої діагностики раку. Актуальність цього прикладу використання обумовлено, тим, що ранні стадії раку, в цьому випадку, раку яйника, протікають практично безсимптомно і в результаті 90% випадків рак яйника діагностується тільки на пізніх стадіях. Складність задачі полягає, в том, що один вектор містить понад 20000 атрибутів. В дослідженні використовувались кооперативна імунна мережа, РБФ- і вейвлет- нейронні мережі, а також декілька відомих імунних класифікаторів з пакету WEKA. Перед класифікацією дані SELDI мас-спектрів проходили декілька етапів попередньої обробки: корекцію базової лінії, нормалізацію, вирівнювання спектрограм, знаходження піків спектрограм, відбір ознак за допомогою методу головних компонент.

Таблиця 2

Результати порівняльних досліджень ефективності розроблених процедур класифікації SELDI мас-спектрів

Здійснено порівняльні дослідження з іншими імунними процедурами, які використовують для розв'язання задач класифікації (табл.2). Результати отримані за допомогою запропонованих методів, свідчать про високу ступінь їх достовірності і високу якісь самих методів.

ВИСНОВКИ

У дисертаційній роботі вирішено актуальну науково-технічну проблему - розвинуто теорію побудови гібридних штучних імунних систем, розроблено нові моделі та методи прогнозування, класифікації і кластеризації даних, розвинуто методологію побудови штучних імунних та гібридних систем, яка ґрунтується на розроблених методах структурно-параметричного синтезу радіально-базисних, вейвлет- та нечітких нейронних і кооперативних імунних мереж, створено ефективні комп'ютерні засоби інтелектуальної обробки та аналізу даних.

При цьому отримані такі нові наукові результати:

1. Вперше розроблено метод формалізованого опису структур і функцій штучних імунних систем, який забезпечує ефективний синтез математичних моделей та алгоритмів обробки та аналізу даних за рахунок використання теоретико-множинного підходу.

2. Розвинуто теорію побудови штучних імунних систем, яка ґрунтується на методах формального опису структур, синтезу адаптивних штучних імунних систем, гібридних і кооперативних моделях для прогнозування та класифікації, технології синтезу топології та параметрів налаштування нейронних мереж, яка забезпечує створення ефективних комп'ютерних засобів для розв'язання задач обробки та аналізу даних.

3. Удосконалено метод синтезу адаптивних штучних імунних систем, який за рахунок використання метафор теоретичної імунології забезпечує синтез ефективних структур для розв'язання задач класифікації, кластеризації та прогнозування. Який забезпечив розв'язання ряду прикладних задач, зокрема, класифікації, кластеризації та прогнозування .

4. Модифіковано адаптивні моделі штучних імунних систем для розв'язання задач класифікації шляхом використання методу формалізованого опису і синтезу, що забезпечило підвищення точності класифікації на 10-15% порівняно з існуючими методами, які надають можливість ефективного розв'язання задач класифікації мас-спектрів, виявлення аномалій, а також прогнозування часових рядів.

5. Вперше розроблено гібридні методи для розв'язання задач прогнозування, які за рахунок використання механізму пошуку екстремумів за допомогою штучних імунних систем та механізму перебору моделей на основі операторів експресії генів забезпечують підвищення якості прогнозування динамічних процесів порівняно з відомими.

6. Вперше розроблена технологія синтезу топології та параметрів налаштування радіально-базисних, вейвлет- та нечітких нейронних мереж для розв'язання задач прогнозування, яка використовує адаптивні властивості штучних імунних систем для пошуку ефективних структур і визначення параметрів і забезпечує зменшення часу розробки та підвищує якість прогнозування за допомогою розроблених структур, зокрема для аналізу процесів бортової хитавиці.

7. Вперше розроблено метод синтезу імунних мереж для задач прогнозування та класифікації, який за рахунок використання на кооперативного принципу забезпечує підвищення збіжності алгоритмів, створення структур з підвищеною точністю прогнозування та роздільною здатністю класифікації, зокрема для класифікації SELDI- мас-спектрів під час протеміотичної діагностики онкологічних захворювань.

8. Вперше розроблено метод бінарної класифікації та виявлення аномалій, який за рахунок об'єднання негативного та клонального відборів, імунної мережі забезпечує вищу роздільну здатність класифікації порівняно з відомими, зокрема для виявлення аномалій роботі газотурбінних двигунів

9. Вперше розроблено імунні моделі для синтезу множин нейронних мереж для розв'язання задач класифікації, які використовують механізм бінарізації задач для нейронних мереж та об'єднання результатів їх роботи з метою підвищення роздільної здатності класифікації при розв'язанні задач великої розмірності вхідних даних.

10. Удосконалено штучну імунну мережу для розв'язання задач кластеризації за рахунок підвищення рівня адаптації детекторів, що забезпечує кластеризацію нелінійних структур підвищеної складності і розв'язання ряду тестових задач.

12. На основі розроблених методів, методик, моделей і обчислювальних процедур створена комп'ютерна система для розв'язання задач обробки широкого спектру прикладних задач прогнозування. Ефективність системи продемонстрована на задачах класифікації мас-спектрів, прогнозування хитавиці корабля, виявлення аномалій в роботі технічних систем.

СПИСОК ОСНОВНИХ ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

У наукових фахових виданнях:

1. Литвиненко В. И. Объектно-ориентированная реализация алгоритма клональной селекции / В. И. Литвиненко, А. А. Фефелов, С. П. Горавский // Радіоелектроніка, Інформатика, Управління. - Запоріжжя. -2003. - № 1. - С. 81-88.

2. Грицик В. Теоретичні і прикладні проблеми застосування штучних імунних систем / Грицик В., Литвиненко В., Цмоць І., Стех С. //Інформаційні технології і системи. -Т.7., № 1(2003). - С.7-45

3. Бидюк П. Порівняльний аналіз двох методів дистанційного оцінювання стану рослинності/ Бидюк П., Литвиненко В., Митник О. //Інформаційні технології і системи. -Т.7, №1, (2004). - С.108-116.

4. Bydyuk P.I., A novel approach to remote sensing of vegetation/ Bydyuk P.I., Litvinenko V.I., Ponamorenko S.O. // Системні дослідження та інформаційні технології. -2005. - №1. - С. 119-126.

5. Баранов О.М. Застосування штучних імунних систем для рішення задач класифікації донних морських об'єктів / Баранов О.М., Литвиненко В.І., Носенко В.І., та інш. //Збірник наукових праць Севастопольського військово-
морського ордена Червоної Зірки інституту ім. П.С. Нахімова, -2005. -Вип. 2(8). - С. 339-340.

6. Литвиненко В.И. Решение задачи оптимальной укладки блоков при помощи алгоритма клонального отбора/Литвиненко В.И.// Адаптивні системи автоматичного управління. Міжвідом. науково-техн. зб. -2005. -№8(28). - С.49-54.

7. Бардачев Ю.Н. Синтез нечетких нейронных сетей с помощью иммунных алгоритмов для прогнозирования электрической нагрузки / Бардачев Ю.Н., Литвиненко В.И., Гринавцев О.В.та інш. // Збірник наукових праць Моделювання та керування станом еколого-економічних систем регіону. - 2006. -Вип. 3. - С. 47-68.

8. Литвиненко В.И. Применение алгоритма клонального отбора для решения систем алгебраических уравнений /Литвиненко В.И. // Математичні машини і системи. - 2006. -№3. - С. 47-68.

9. Литвиненко В.І. Методологія сегментації зображення клітки з використанням імунного алгоритму клонального добору /Литвиненко В.І. //Інформаційні технології і системи. -Т.9. -№1 - 2006. - С.72-78.

10. Литвиненко В.І. Вирішення задачі класифікації з використанням механізмів ідіотипічної мережі/Литвиненко В.І. // Наукові праці: науково-методичний журнал, Серія «Комп'ютерні технології» - МДГУ ім. П.Могили. -2006. - Вип. 44. -Том 57. - С.136-146. 11. Литвиненко В.И. Иммунный классификатор для решения задач бинарной классификации (Теоретические аспекты) /Литвиненко В.И. // Системні технології. Регіональний міжвузівський збірник наукових праць - 2006.- Вип. 1(42). -Дніпропетровськ. - С. 32-47.

12. Литвиненко В.И. Иммунный классификатор для решения задач бинарной классификации (Практическая реализация) /Литвиненко В.И.// Системні технології. Регіональний міжвузівський збірник наукових праць - 2006. - Вип. 5(46). -Дніпропетровськ. - С. 113-126.

13. Литвиненко В.І. Методологія застосування алгоритму клонального добору для прогнозування спектрів поглинання лазерних барвників складних молекулярних структур /Литвиненко В.І.// Наукові вісті Національного технічного університету України «Київський політехнічний інститут», - 2006. -№ 1. - С. 31-40.

14. Литвиненко В.І. Реалізація системи підтримки прийняття рішень на основі нечіткої оптимізації розподілу фінансів між альтернативними проектами за допомогою алгоритму клонального добору /Литвиненко В.І. // Наукові праці: науково-методичний журнал «Комп'ютерні технології», - МДГУ ім. П.Могили. - 2007. -Вип. 77. - Том 90. - С.105-113.

15. Бидюк П.И. Иммунносетевая модификация алгоритма отрицательного отбора для решения задачи обнаружения аномалий/ Бидюк П.И., Фефелов А.А., Литвиненко В.И. // Адаптивні системи автоматичного управління. Міжвідом. науково-техн. зб. - 2007. - Вип. 10. - С. 15-24.

16. Литвиненко В.І. Модифікований підхід рішення безпреривної задачі k-медіан на основі імунного алгоритму// Наукові праці: науково-методичний журнал, «Комп'ютерні технології». - МДГУ ім. П.Могили - 2007. -Вип. 55. -Т.68.- С.106-113.

17. Бардачов Ю. Комбінування негативного відбору та приближених множин для виявлення аномалій в комп'ютерних системах/ Бардачов Ю.М.,Литвиненко В.І., Дідик О.О. // Вісник національного університету «Львівська політехніка»: Комп'ютерні науки та інформаційні технології. - Львів. - 2007. -№ 604, - С.38-44.

18. Литвиненко В.І. Модифікований алгоритм клонального відбору для вирішення завдань класифікації //Зб. Наук. праць Національної академії наук України, Інституту проблем моделювання в енергетиці ім. Г.Є.Пухова: «Моделювання та інформаційні технології». - 2007, - Вип. 43.- С. 125-131.

19. Литвиненко В.И. Экспериментальные исследования алгоритма клонального отбора при решении задач оптимизации многоэкстремальных функций // Вестник Херсонского национального технического университета, - 2007. -№3(29). - С.29-41.

20. Литвиненко В.І. Застосування нейронних мереж для рішення задачі дистанційного визначення концентрації хлорофілу в листах рослин/ Литвиненко В.І., Бідюк П.І. // Наукові праці: науково-методичний журнал, «Комп'ютерні технології». - МДГУ ім. П.Могили - 2007. -Вип. 22. -Т.35,.- С.116-126.

21. Литвиненко В.И. Методология прогнозирования гетероскедастических процессов с применением искусственных иммунных систем // Системні технології. Регіональний міжвузівський збірник наукових праць - 2007. - Вип. 6(53). -Дніпропетровськ. - С. 130-152.

22. Литвиненко В.И. Компенсация ошибок оператора в контуре управления следящей системы на основе синтезируемых вейвлет-нейронных сетей/ Литвиненко В.И., Четырин С.П.// Автоматика. Автоматизация. Электротехнические комплексы и системы №2(20), 2007.- С.112-123.

23. Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла/Литвиненко В.И.// Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2007. - №1(19). - С.53-66.

24. Бідюк П. І. Формалізація методів побудови штучних імунних систем / П.І. Бідюк, В.І. Литвиненко, А.О.Фефелов // Наукові вісті Національного технічного університету України «Київський політехнічний інститут». - 2007. - № 1. - С. 29-41.

25. Бабичев С.А. Предобработка гидроакустического сигнала в системах классификации на основе вейвлет-анализа/ Бабичев С.А., Литвиненко В.И., Баранов А.Н., та ін. // Збірник наукових праць Севастопольського військово-морського ордена Червоної Зірки інституту ім. П.С. Нахімова. - 2007. - Вип. 1(11). - С. 133-140.

26. Литвиненко В.И. Прогнозирование нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей/Литвиненко В.И.// Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2008. - №1(21) - С.64-64.

27. Литвиненко В.И. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов / Литвиненко В.И., Дидык А.А., Захарченко Ю.А.// Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2008. -№2(22). - С.64-71.

28. Литвиненко В.И. Алгоритмы выявления классификационных признаков радиолокационных изображений морских объектов / Литвиненко В.И., Андросова Ю.В., Вилор М.Ю., и др.. // Збірник наукових праць Севастопольського військово-морського ордена Червоної Зірки інституту ім. П.С. Нахімова. - 2008. -Вип. 1(14). - С. 73-79.

29. Литвиненко В.И. Искусственные иммунные системы как средство индуктивного построения оптимальных моделей сложных объектов/Литвиненко В.И. /Литвиненко В.И.// Проблемы управления и информатики. - 2008. - №3. - С.30-42.

30. Литвиненко В.И. Анализ применимости адаптированной иммунной сети для решения задач кластеризации спиральных структур /Литвиненко В.И. // Збірник наукових праць «Моделювання та керування станом еколого-економічних систем регіону». - 2008. Вип. 4. - С. 145-155.

31. Литвиненко В.И. Кооперативный алгоритм для решения задач классификации /Литвиненко В.И., Фефелов А.А.,. Дидык А.А. // Вестник Херсонского национального технического университета. - 2008. - №3(32). - С.88-97.

32. Литвиненко В.И. Сравнительные экспериментальные исследования алгоритма модифицированного отрицательного отбора и клонального алгоритма отрицательного отбора для решения задач классификации/Литвиненко В.И.//Вестник Херсонского национального технического университета. - 2008. - №4(33). - С.7-14.

33. Литвиненко В.И. Применение модифицированных искусственных иммунных сетей для решения задач гидроакустического обнаружения / Литвиненко В.И., Дидык А.А.// Системні технології. Регіональний міжвузівський збірник наукових праць. - 2008. - Вип. 6(59). - Дніпропетровськ, - С.99-115.

34. Литвиненко В.И Дослідження збіжності імунних алгоритмів / Литвиненко В.И .Бідюк П.І., Фефелов А.О // Наукові праці ЧДУ ім. Петра Могили. Науково-методичний журнал. Серія «Комп'ютерні технології», - ЧДУ ім. Петра Могили. - 2009. - Вип. 104.- Том.117. - С.135-148.

35. Литвиненко В.І. Методологія синтезу колективу радіально-базисних мереж для розв'язування задач класифікації за допомогою алгоритму клонального відбору / Литвиненко В.І., Фефелов А.О., Дідик О.О. // Наукові праці ЧДУ ім. Петра Могили. Науково-методичний журнал. Серія «Комп'ютерні науки», - ЧДУ ім. Петра Могили. - 2009. - Вип. 93.- Том.106. - С.111-123.

36. Литвиненко В.И. Кластерный анализ данных на основе модифицированной иммунной сети/Литвиненко В.И. // Управляющие системы и машины -УСиМ. - 2009. - №1. - С. 54-61, 85.

37. Дидык А.А. Классификация масс-спектров с помощью кооперативного иммунного алгоритма / Дидык А.А., Фефелов А. А., Литвиненко В.И. Шкурдода С.В., Синяков Ф.Ф. // Автоматика. Автоматизация. Электротехнические комплексы и системы. - 2009. - №2(24). - С.50-58.

38. Литвиненко В.И. Гибридные искусственные иммунные системы мягкие вычисления (обзор) //: Зб. наук. праць Національної академії наук України, Міжнародний науково-навчальний центр інформаційних технологій та систем: « Індуктивне моделювання складних систем «. - 2009, - С. 125-131.

39. Литвиненко В.І. Побудова штучних імунних систем/Литвиненко В.І. // Наукові праці ЧДУ ім. Петра Могили. Науково-методичний журнал. Серія «Комп'ютерні науки», - ЧДУ ім. Петра Могили. - 2010.- Вип. 95. -С.111-123.

В інших видіннях:

40. Применение иммунных алгоритмов для решения задач оптимизации [V Міжнародна науково-практична конференція студентів, аспірантів та молодих вчених «Системний аналіз та інформаційні технології»], (Київ, 1-3 липня 2003 р.) Національний технічний університет України «Київський політехнічний інститут», С. 70-72.

41. Архітектура штучної імунної системи для вирішення задач класифікації на основі механізмів ідіотипічної мережі: Збірник праць VIII Всеукраїнська міжнар. конференції [Оброблення сигналів і зображень та розпізнавання образів УкрОбраз»2004»], (Київ 11-15 жовтня 2004 р.) Інститут кібернетики НАН України, 2004. - С. 41-44.

42. Разработка и применение искусственных иммунных систем: Тези доповідей Третьої міжнародної науково-практичної конференції [«Математичне та програмне забезпечення інтелектуальних систем (MPZIS-2005)»], (Дніпропетровськ 16-18 листопада 2005 року), - Дніпропетровського національного університету, 2005. -С.105.

43. An Inductive Immune Algorithm Based on the Cooperation Principles: International Workshop on Inductive Modelling Proceedings [IWIM 2007], (Prague, September 23-26), CTU, Prague, 2007.-P. 204-209

44. Application of the method and combined algorithm on the basis of immune network and negative selection for identification of turbine engine surging: 2nd International Conference on Inductive Modelling, (Kyiv, Ukraine 15-19 September), 2008,. -P.116-23.

45. Application of Clonal Algorithm for Synthesis of Collective Wavelet-Neural Networks to Solve the Problem of Mass Spectra Classifying: 3rd International Conference on Inductive Modelling [ICIM 2010], (Yevpatoria Ukraine May 16-22, 2010.). - P.176-184.

АНОТАЦІЇ

Литвиненко В. І. Методи та засоби гібридних штучних імунних систем в задачах інтелектуального аналізу даних. - Рукопис.

Дисертація на здобуття наукового ступня доктора технічних наук за спеціальністю 05.13.23 - Системи і засоби штучного інтелекту. - Національний університет «Львівська політехніка «. - Львів, 2010.

Дисертаційна робота присвячена питанням розробки гібридних штучних імунних систем для розв'язання задач прогнозування і класифікації. У роботі вирішено науково-прикладну проблему розроблення методів та засобів створення інформаційних технологій аналізу та синтезу гібридних штучних імунних систем для розв'язання задач інтелектуального аналізу даних будь-якої природи.

Проаналізовано основні переваги та недоліки штучних імунних систем.

Запропоновані перспективні схеми гібридизації штучних імунних систем, які дають змогу одержати помітний синергетичний ефект при розв'язанні задач. У роботі запропоновано системний підхід до побудови адаптивних гібридних та модифікації відомих моделей і методів синтезу штучних імунних систем, створена нова методологія побудови модифікованих і гібридних методів та алгоритмів аналізу різнорідних даних, розроблено формальний проблемно-незалежний опис методів і обчислювальних процедур на основі принципів функціонування імунної системи, спрямованих на розв'язання задач прогнозування, класифікації та оптимізації, запропоновані засоби розробки структури гібридних та комбінованих штучних імунних систем.

Створено технологію структурно-параметричного синтезу радіально-базисних, вейвлет- та нечітких нейронних мереж для розв'язання задач прогнозування та класифікації.

На основі запропонованих методів, методик, моделей і обчислювальних процедур створена оригінальна інформаційна аналітична система для оброблення великих масивів даних

Ключові слова: штучна імунна система, нейронна мережа, розробка гібридних імунних систем, виявлення аномалій, прогнозування, класифікація.

Литвиненко В. И. Методы и средства гибридных искусственных иммунных систем в задачах интеллектуального анализа данных. - Рукопись.

Диссертация на соискание ученой степени доктора технических наук по специальности 05.13.23 - Системы и средства искусственного интеллекта. - Национальный университет «Львівська політехніка». Львов, 2010.

Диссертационная работа посвящена вопросам разработки гибридных искусственных иммунных систем для решения задач прогнозирования и классификации. Научные результаты, полученные в диссертационной работе, решают научно-прикладную проблему разработки методов и средств для информационных технологий анализа и синтеза гибридных искусственных иммунных систем для решения задач интеллектуального анализа данных любой природы.

Проведенный анализ современного состояния исследований в области существующих искусственных иммунных систем: процедур отрицательного и клонального отбора, искусственной иммунной сети. Проанализированы основные преимущества и недостатки искусственных иммунных систем. Показано, что построение гибридных интеллектуальных систем стало основной тенденцией в современных информационных технологиях. Предложенные перспективные схемы гибридизации искусственных иммунных систем, которые позволяют получить значительный синергетический эффект при решении задач за счет увеличения скорости сходимости алгоритма, повышение качества получаемых решений, адаптации к решаемой задаче. В работе предложен системный подход к построению адаптивных гибридных и модификации известных моделей и методов синтеза искусственных иммунных систем, создана новая методология построения модифицированных и гибридных методов и алгоритмов анализа разнородных данных. Также разработано формальное проблемно-независимое описание методов и вычислительных процедур на основе принципов функционирования иммунной системы, направленных на решение задач прогнозирования, классификации и оптимизации, предложены средства разработки структуры гибридных и комбинированных искусственных иммунных систем для решения задач прогнозирования, классификации и прогнозирования.

Разработан метод синтеза иммунной сети для решения задач кластеризации. При этом за счет повышения уровня адаптации детекторов обеспечивается качественное решение задачи кластеризации нелинейных структур повышенной сложности. Разработан подход к обнаружению аномалий в работе технической системы, использующий механизмы отрицательного отбора и иммунной сети, а также механизмы отрицательного и клонального отбора. Метод основывается на распознавании векторов, образованных скользящим окном временного ряда наблюдаемого сигнала. Исследования показали, что этот метод дает возможность ограничить объем обучающей выборки только одним классом примеров и производить распознавание в дополнительном пространстве поиска. Это дает возможность обнаруживать новые аномалии, информацию о которых не было известно при обучении.

В диссертационной работе создана технология структурно-параметрического синтеза радиально-базисных, вейвлет- и нечетких нейронных сетей для решения задач прогнозирования и классификации. В работе также развита теория построения искусственных иммунных систем, разработаны новые методы и модели прогнозирования, классификации и кластеризации, созданы эффективные компьютерные средства обработки и анализа данных. На основе разработанных методов разработана архитектура и создана компьютерная информационно-аналитическая система для решения задач обработки больших массивов данных. Система апробирована на ряде тестовых моделей, а также на реальных данных, а именно - для решения задачи выявления аномалий в работе газотурбинного двигателя, прогнозирования бортовой качки корабля, задач классификации SELDI масс-спектров онкологических заболеваний.

Ключевые слова: искусственная иммунная система, нейронная сеть, разработка гибридных иммунных систем, обнаружение аномалий, прогнозирование, классификация.

Lytvynenko V. I. Methods and tools of hybrid artificial immune systems in problems of the intelligent data analysis. - Manuscript.

The Thesis for the degree of doctor of engineering sciences by the specialty 05.13.23 - The systems and means of artificial intelligence is presented. Lviv Polytechnic National University , Lviv, 2010.

The thesis is devoted to the problems of development of hybrid artificial immune systems for solving the problems of forecasting and classification. In the work it is scientifically substantiated the problem of working out the methods and means of information technologies for analysis and synthesis of hybrid artificial immune systems. The methods are directed towards solving the problems of intelligent analysis of data of any nature. Here are analyzed the basic advantages and limitations of artificial immune systems. The perspective schemes of hybridization of artificial immune systems which allow to reach appreciable synergetic effect while solving the problems mentioned are offered. In the thesis the system approach to construction of adaptive hybrid and updating of known models and methods of synthesis of the artificial immune systems is developed. The new methodology is created for construction of modified and hybrid methods and analysis algorithms for diverse data. The formal problem-independent description of methods and computing procedures on the basis of principles of functioning of the immune system is proposed. The problems of forecasting, directed on solving, classification and optimization, offer tools for development the structure of the hybrid and combined artificial immune systems. The technology of structurally-parametrical synthesis RBF-, wavelet-, and fuzzy- neural networks for solving the problems of forecasting and classification is proposed. On the basis of the offered methods, techniques, models and computing procedures it was created original information analytical system for solving the problems of processing the large data arrays.

Key words: artificial immune system, neural network, development of hybrid immune systems, detection of anomalies, forecasting, classification.

Размещено на Allbest.ru