Interval Fuzzy Cluster Analysis for Artesian Wel L State Monitoring

Abstract

, Снігур О. О. ІНТЕРВАЛЬНИЙ НЕЧІТКИЙ КЛАСТЕРНИЙ АНАЛІЗ ДЛЯ МОНІТОРИНГУ СТАНУ АРТЕЗІАНСЬКОЇ СВЕРДЛОВИНИАктуальність. Моніторинг природних систем різного характеру є необхідною умовою раціонального природокористування. Технології інтелектуального аналізу даних, зокрема кластерний аналіз, надають широкі можливості для візуалізації наборів даних, що дозволяє використовувати ці технології людьми, які не мають спеціальної математичної підготовки. Задача моніторингу системи, стан якої змінюється в часі, висуває вимогу розширеної інтерпретації результатів кластеризації з урахуванням історичних даних. Технічні можливості для виявлення характеру змін, що відбуваються в об'єкті, представленому набором даних, мають особливе значення в задачі моніторингу водних ресурсів, оскільки вони перебувають у тісному взаємозв'язку з зовнішнім середовищем, та величина їхніх запасів залежить від багатьох факторів, зовнішніх відносно водоносної системи. Після введення в експлуатацію артезіанська свердловина потребує постійного спостереження задля правильного керування експлуатацією підземних вод, захисту їх від забруднення та вичерпання, а також попередження негативних наслідків впливу водовідбору на навколишнє середовище. Крім того, для складних природних систем характерна висока надлишковість простору параметрів, а також наявність як відомих, так і не виявлених досі кореляційних зв'язків між параметрами. Ці фактори зумовлюють необхідність використання методів кластерного аналізу, здатних працювати в умовах невизначеності та надлишковості параметрів.Мета роботи -розширення можливостей для аналізу зміни стану системи в часі шляхом урахування невизначеностей, присутніх у даних спостережень.Метод. Запропоновано застосування методу інтервального нечіткого кластерного аналізу для дослідження зміни характеристик набору даних у часі та виявлення загальних тенденцій. Формалізація поставленої технологічної задачі в термінах інтелектуального аналізу даних передбачає можливість одночасної роботи з множиною вхідних векторів. Сформульовано покроковий алгоритм побудови інтервальної оцінки стану природної системи на основі історичних даних спостережень та поточних значень.Результати. Запропоновану модель адаптовано до розв'язання технологічної задачі моніторингу артезіанської свердловини та експериментально показано можливості раннього виявлення прихованих закономірностей.Висновки. Інтервальний нечіткий кластерний аналіз дозволяє враховувати та моделювати невизначеності довільної природи, що виникають у даних досліджень артезіанської свердловини на різних стадіях моніторингу. Показано, що одночасне подання на вхід системи даних кількох свердловин може дати змогу оцінити не лише їхнє розташування щодо стандартних компактних класів за (потенційною) якістю води, але й взаємне розташування, і в кінцевому підсумку вказати на деяку не виявлену до цього закономірність.Ключові слова: кластерний аналіз, інтервальні ступені належності, інтервальні нечіткі множини, критерії якості кластеризації, візуалізація даних.

Investigation of Hamming Network Procedures for Controlling Service Systems with Smprecisely Defined and Natural Language Data

“…У статті розглянуто завдання, яке полягає у виборі моделей та засобів мережі Хеммінга для планування (управління процесами на основі вибору классу вхідних об'єктів) у сервісних системах. За математичні моделі, використані для представлення середовища С&С, обрано нечіткі множини [1,2,4,23] та коефіцієнти впевненості CF [11,13,19]. Виконано порівняльний аналіз цих моделей, призначений для застосування процедур класифікації в С&С за неточно визначеними даними.…”

“…У складних системах, зокрема в С&С, часто певні параметри первинних даних мають неточно визначені характеристики, інтерпретація яких значеннями з множини {-1; +1} становить певну проблему. У статті виконано дослідження можливості формування ознак елементів первинних даних об'єктів С&С на основі інших більш потужних множин значень, що відповідають різним моделям представлення неточності [2,11]. Разом із тим передбачено застосування мінімально модифікованих процедур моделі мереж Хеммінга, які забезпечують достовірну класифікацію елементів первинних даних.…”

“…Цим питанням присвячено багато наукових досліджень [22]. Питання кластерного аналізу на основі нечітких моделей досліджено у [23]; у [2] подано загальну характеристику нечітких моделей прийняття рішень. Приклади застосування нечітких моделей у завданнях класифікації, які відповідають сфері класифікації в разі врахування неточно відомих даних, наведено в роботі [7].…”

“…При цьому початкові форми зразків залишаються незмінними і зберігаються в базі даних системи класифікації. Методики отримання таких нечітких представлень вхідних даних різноманітні [2,19,23], їх у роботі ми не розглядали.…”