Методичний підхід з оцінки стану зразків озброєння та військової техніки на основі дерев алгоритмів
DOI:
https://doi.org/10.33577/2312-4458.25.2021.69-76Ключові слова:
модель класифікації, дискретний об‘єкт, алгоритмічне дерево класифікації, узагальнена ознакаАнотація
Запропоновано механізм синтезу дерев класифікації за фіксованою початковою інформацією (у вигляді навчальної вибірки) для задачі розпізнавання технічного стану зразків озброєння та військової техніки.
Побудоване алгоритмічне дерево класифікації (модель) дозволяє класифікувати (розпізнавати) всю навчальну вибірку за якою побудована схема класифікації технічного стану зразків озброєння та військової техніки. На базі запропонованої концепції алгоритмічних дерев класифікації побудований набір моделей, які забезпечують ефективну класифікацію та прогнозування технічного стану зразків озброєння та військової техніки.
Посилання
Купріненко А.Н., Голуб В.А. Синтез вариантов проектных гипотез технического облика перспективных типов боевых бронированных машин. Військово-технічний збірник. № 2 (9). Львів : АСВ, 2013. С. 36–42. DOI: https://doi.org/10.33577/2312-4458.9.2013.36-42
Купріненко О.М. Обґрунтування принципів формування перспективних типів бойових броньованих машин. Системи озброєння і військова техніка. 2012. № 4 (32). С. 40–46.
Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzziTECH. СПб. : БХВ-Петербург, 2003.
Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы : пер. с япон. Ю.Н. Чершышова. М.: Мир, 1993.
Bellman R.T., Zadeh L.A. Decision Making in Fuzzy Environment. Management Science. 1970. 17, No4. P. 141-164.
Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика : учебное пособие. Москва : Радиотехника, 2009. 393 с.
Пегат А. Нечеткое моделирование и управление. М. : БИНОМ, 2009. 798 с.
G. Chen, J. Vanthienen, G. Wets. Fuzzy decision tables: extending the classical formalism to enhance intelligent decision making. Proc. of the Fourth IEEE International Conference on Fuzzy Systems. 1995, vol. 2, pp. 599-606.
Wang L.-X., Adaptive fuzzy systems and control: design and stability analysis, Prentice Hall, 1994.
Гусева М.В., Демидова Л.А. Классификация ин-вестиционных проектов на основе систем нечеткого вывода, мультимножеств и генетических алгоритмов. Инновации в науке и образовании. Москва. 2006. №12(27). C. 12.
Рижов Є., Сакович Л., Глухов С., Настишин Ю. Оцінка впливу діагностичного забезпечення на надійність радіоелектронних систем. Військово-технічний збірник, 2021. № 24, С. 3–8. https://doi.org/10.33577/2312-4458.24.2021.3-8.
Tkachuk P.P., Stetsiv S.V., Burdeinyi M.V., Mizin V.S. Науково-методичний апарат моделювання процесу розвідки. Військово-технічний збірник, №(21), С. 60–66. https://doi.org/10.33577/2312-4458.21.2019.60-66.
V. Dudnyk, Yu. Sinenko, M. Matsyk, Ye. Demchenko, R. Zhyvotovskyi, Iu. Repilo, O. Zabolotnyi, A. Simonenko, P. Pozdniakov, A.Shyshatskyi. Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies. Vol. 3. No. 2 (105). 2020. pp. 37–47. DOI: https://doi.org/10.15587/1729-4061.2020.203301.
Pievtsov H., Turinskyi O., Zhyvotovskyi R., Sova O., Zvieriev O., Lanetskii B., Shyshatskyi A. (2020). Development of an advanced method of finding solutions for neuro-fuzzy expert systems of analysis of the radioelectronic situation. EUREKA: Physics and Engineering, No. (4), pp. 78-89. https://doi.org/10.21303/2461-4262.2020.001353.
P. Zuiev, R. Zhyvotovskyi, O. Zvieriev, S. Hatsenko, V. Kuprii, O. Nakonechnyi, M. Adamenko, A. Shyshatskyi, Y. Neroznak, V. Velychko. Development of complex methodology of processing heterogeneous data in intelligent decision support systems. 2020, Vol. 4, No. 9 (106), рр. 14‒23. DOI: https://doi.org/10.15587/1729-4061.2020.208554.
A. Shyshatskyi, O. Zvieriev, O. Salnikova, Ye. Demchenko, O. Trotsko, Ye. Neroznak. Complex Methods of Processing Different Data in Intellectual Systems for Decision Support System. International Journal of Advanced Trends in Computer Science and Engineering. Vol. 9, No. 4, pp. 5583‒5590 DOI: https://doi.org/10.30534/ijatcse/2020/206942020.
Троценко Р.В., Болотов М.В. Процесс извлечения данных из разнотипных источников. Приволжский научный вестник. № 12–1 (40). 2014. С. 52–54.
Ротштейн А.П. Интеллектуальные технологии идентификации: нечёткие множества, генетические алгоритмы, нейронные сети. Винница : “УНИВЕРСУМ”, 1999. 320 с.
Алпеева Е.А., Волкова И.И. Использование нечетких когнитивных карт при разработке экспери-ментальной модели автоматизации производственного учета материальных потоков. Экономика и промышленность. 2019. Том 12. №1. С. 97‒106. DOI: 10.17073/2072-1633-2019-1-97-106.
Y.-C. Ko, H. Fujitа. An evidential analytics for buried information in big data samples: Case study of semiconductor manufacturing. Information Sciences. 2019. Vol. 486. pp. 190–203. DOI: https://doi.org/10.1016/j.ins.2019.01.079.
A.B. Çavdar, N. Ferhatosmanoğlu. Airline customer lifetime value estimation using data analytics supported by social network information. Journal of Air Transport Management. 2018. Vol. 67. pp. 19–33. DOI: https://doi.org/10.1016/j.jairtraman.2017.10.007.
A.B.-C. Pilar, C.-F.B. Pérez, R. Sancho, M. Lorente, G. Sastre, C. González. A new tool for evaluating and/or selecting analytical methods: Summarizing the information in a hexagon. TrAC Trends in Analytical Chemistry. 2019. Vol. 118. pp. 538–547. DOI: https://doi.org/10.1016/j.trac.2019.06.015.
I.J.Ramaji, A.M. Memari. Interpretation of structural analytical models from the coordination view in building information models. Automation in Construction. 2018. Vol. 90. pp. 117–133. DOI: https://doi.org/10.1016/j.autcon.2018.02.025
