Prediction of the Integrated Indicator of Quality of a New Object Under the Conditions of Multicollinearity of Reference Data

Предсказание состояния нового объекта при недостатке известных характеристик и оценок показателей качества ряда изученных объектов (множества референтных данных) зачастую приводит к проблеме мультиколлинеарности исходных данных.

Ключевые слова

Предлагаются три способа преодоления этой проблемы, относящиеся к сфере data mining: использование гребневой (ridge) регрессии, обучение с учителем двухслойной нейронной сети, последовательная адаптация однослойной нейронной сети и сравниваются их характеристики. В методе гребневой регрессии введение регуляризирующего слагаемого в уравнение МНК дает приближенное решение с достаточной степенью точности. Недостатком использования двухслойной нейронной сети "feed-forward backprop" и процедуры обучения с учителем "train" является то, что настроенные веса нейронной сети принимают хаотичные (и даже отрицательные) значения, что противоречит обычной практике экспертизы. Выявлены следующие особенности: значительный разброс весов и смещений нейронной сети, неоднозначность решения за счет выбора случайных начальных условий, сильная зависимость от алгоритма обучения. Для преодоления этого недостатка предложен переход к последовательной адаптации однослойной нейронной сети с фиксацией смещений нейронов на нулевом уровне.

Литература

1. Bukharin, S.V. Method for Expanding the Object Base of Examination by Stitching Solutions of Hierarchy Analysis Method / S.V. Bukharin, A.V. Melnikov, V.V. Menshih // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. - 2017. - Т. 10, № 2. - С. 74-82.
2. Esbensen, K. Multivariable Data Analysis in Practice / K.H. Esbensen. - Oslo: CAMO Software AS, 2019.
3. Dreyper, N. Applied Regression Analysis / N. Dreyper, G. Smit. - N.Y.: John Wiley and Sons, 2007.
4. Айвазян, С.А. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С Енюков, Л.Д. Мешалкин. - М.: Финансы и статистика, 1989.
5. Магнус, Я.Р. Эконометрика / Я.Р. Магнус, П.К. Катышев, А.А. Пересецкий. - М.: Дело, 1997.
6. Witten, I.H. Data Mining: Practical Machine Learning Tools and Techniques / I.H. Witten, E. Frank, M.A. Hall. - N.Y.: Morgan Kaufmann, 2011.
7. Бухарин, С.В. Методы теории нейронных сетей в экспертизе технических и экономических объектов / С.В. Бухарин, В.В. Навоев. - Воронеж: Научная книга, 2015.
8. Ахлюстин, С.Б. Нечетко-множественное моделирование обобщенных показателей опасности объектов топливно-энергетического комплекса / С.Б. Ахлюстин, А.В. Мельников, И.В. Щербакова // Вестник Воронежского института МВД России. - 2018. - № 3. - С. 44-55.
9. Мельников, А.В. Определение частного критерия интегрированных систем безопасности симметричным методом анализа иерархий / А.В. Мельников, С.Б. Ахлюстин // Вестник Воронежского института МВД России. - 2018. - № 2. - С. 37-44.
10. Мельников, А.В. Нейронное моделирование обобщенного показателя качества ретрансляторов систем передачи извещений / С.В. Бухарин, А.В. Мельников, В.В. Навоев // Вестник Воронежского института МВД России. - 2015. - № 1. - С. 17-26.
11. Saaty, T.L. Relative Measurement and Its Generalization in Decision Making Why Pairwise Comparisons Are Central in Mathematics for the Measurement of Intangible Factors the Analytic Hierarchy/Network Process / T.L. Saaty // Revista de la Real Academia de Ciencias Exactas, Facuteisicas y Naturales. Serie A. Matemacuteaticas. - 2008. - V. 102, № 2. - P. 251-318.
12. Ахлюстин, С.Б. Формирование комплексного показателя качества объектов со слабоформализуемыми признаками / С.Б. Ахлюстин, И.Р. Нарушев, С.А. Мальцев // Цифровизация агропромышленного комплекс. - Тамбов: Тамбовский государственный технический университет, 2018. - С. 185-187.
13. Тихонов, А.Н. Методы решения некорректных задач / А.Н. Тихонов, В.Я. Арсенин. - М.: Наука, 1986.
14. Haykin, S. Neural Networks: a Comparison Foundation / S.Haykin. - New Jersey: Prentice Hall, 2001.
15. Медведев, В.С. Нейронные сети. Matlab 6 / В.С. Медведев, В.Г. Потемкин. - М.: Диалог-МИФИ, 2002.
16. Яхъяева, Г.Э. Нечеткие множества и нейронные сети / Г.Э. Яхъяева. - М.: Интернет-университет информационных технологий, 2011.
17. Дилигенский, Н.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н.В. Дилигенский, Л.Г. Дымова, П.В. Севастьянов. - М.: Машиностроение, 2004.
18. Бухарин, С.В. Прогнозирование обобщенного показателя качества приборов охраны на основе гребневой регрессии и нейронного моделирования / С.В. Бухарин, А.В. Мельников, В.В. Навоев // Вестник Воронежского института МВД России. - 2014. - № 1. - С. 57-65.
19. Avsentiev, O.S. Sequential Application of the Hierarchy Analysis Method and Associative Training of Neural Network in Examination Problems / O.S. Avsentiev, T.V. Meshcheryakova, V.V. Navoev // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. - 2017. - Т. 10, № 3. - С. 142-147.
20. Бояркин, Д.А. Использование методов машинного обучения при оценке надежности электроэнергетических систем методом Монте-Карло / Д.А. Бояркин, Д.С. Крупенев, Д.В. Якубовский // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. - 2018. - Т. 11, № 4. - С. 146-153.