Ближайший номер

moderninnovation foto2 Конференция серии «Современные инновации» проводятся ежемесячно, 16 числа(ежемесячно уточняется). Следующая IX Международная научно-практическая конференция: «Современные инновации: теория и практика развития современного научного знания». (Москва, Россия) состоится - 25.10.2019 г. Статьи принимаются до 20.10.2019 г.

Если Вы хотите напечататься в ближайшем номере, не откладывайте отправку заявки. Потратьте одну минуту, заполните и отправьте заявку в Редакцию.




Технические науки

ПРИМЕНЕНИЕ ПАРАДИГМЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ И БИКЛАСТЕРИЗАЦИИ ПРИ МОНИТОРИНГЕ ИНФРАСТРУКТУРЫ ЦЕНТРОВ ОБРАБОТКИ ДАННЫХ

Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н.

Усов Алексей Евгеньевич – ведущий архитектор;

Варламов Александр Александрович – старший архитектор;

Бабкин Олег Вячеславович – старший архитектор;

Дос Евгений Владимирович – архитектор;

Мостовщиков Дмитрий Николаевич – старший архитектор,

 системный интегратор «Li9 Technology Solutions»,

г. Райли, Соединенные Штаты Америки

Аннотация: рассмотрены методы нечеткой кластеризации, в частности применение метода нечетких c-средних. Показана необходимость построения теоретической методологии использования метода нечетких c-средних. Рассмотрены модели нечеткой кластеризации, которые базируются на концепции смесей вероятностных распределений, а также введении в статистическую модель алгоритмов нечеткой регулируемой коррекции. При этом метод нечетких c-средних, основанный на энтропийной регуляризации, рассматривается в рамках модели смеси гауссовых распределений и фаззификации, сравнивается по эффективности с классическим методом нечетких c-средних. Помимо этого, концепция регуляризации обсуждается в контексте нечеткой бикластеризации, а также рассматривается полиноминальная модель кластеризации. На основе результатов экспериментальной верификации данных моделей показано, что модель нечеткой кластеризации, которая базируется на концепции смесей вероятностных распределений и введении в статистическую модель алгоритмов нечеткой регулируемой коррекции демонстрирует улучшение интерпретируемости разбиения объекта на кластеры.

Ключевые слова: информационные системы, метод нечетких c-средних, метод энтропийной регуляризации, смеси гауссовых распределений, фаззификация, нечеткая бикластеризация, полиноминальная модель кластеризации.

Список литературы

  1. Haqiqi B.N. & Kurniawan R., Analisis Perbandingan Metode Fuzzy C-Means Dan Subtractive Fuzzy C-Means. Media Statistika, 8 (2). doi:10.14710/medstat.8.2.59-67.
  2. Lee S., Kim J. & Jeong Y., Various Validity Indices for Fuzzy K-means Clustering. Korean Management Review, 46(4), 1201-1226. doi:10.17287/kmr.2017.46.4.1201.
  3. Yasuda M., Q-increment deterministic annealing fuzzy c-means clustering using Tsallis entropy. 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). doi:10.1109/fskd.2014.6980802.
  4. Chen S., An improved fuzzy decision analysis framework with fuzzy Mahalanobis distances for individual investment effect appraisal. Management Decision, 55(5), 935-956. doi:10.1108/md-11-2015-0512.
  5. Baili N., Unsupervised and semi-supervised fuzzy clustering with multiple kernels. Louisville, KY: University of Louisville.
  6. Lee J. & Lee J., K-means clustering based SVM ensemble methods for imbalanced data problem. 2014 Joint 7th International Conference on Soft Computing and Intelligent Systems (SCIS) and 15th International Symposium on Advanced Intelligent Systems (ISIS). doi:10.1109/scis-isis.2014.7044861.
  7. A New Membership Function on Hexagonal Fuzzy Numbers. (2015). International Journal of Science and Research (IJSR), 5(5), 1129-1131. doi:10.21275/v5i5.nov163626.
  8. Miyamoto S., Ichihashi Н. and Honda K. Algorithms for Fuzzy Clustering. Springer, 2008.
  9. Miyamoto S. and Umayahara К. “Fuzzy clustering by quadratic regularization,” Proc. 1998 IEEE Int. Conf. Fuzzy Systems and IEEE World Congr. Computational Intelligence. Vol. 2. Pp. 1394–1399, 1998.
  10. Bishop C.M. Neural Networks for Pattern Recognition, Clarendon Press, 1995.
  11. Hualde J. & Robinson P.M., Gaussian pseudo-maximum likelihood estimation of fractional time series models. The Annals of Statistics, 39(6), 3152-3181. doi:10.1214/11-aos931.
  12. Lewis R.H., Paláncz B. & Awange J., Application of Dixon resultant to maximization of the likelihood function of Gaussian mixture distribution. ACM Communications in Computer Algebra, 49(2), 57-57. doi:10.1145/2815111.2815138.
  13. Ichihashi Н., Miyagishi К. and Honda К. “Fuzzyc-means clustering with regularization by K-L information”, Proc. of 10th IEEE International Conference on Fuzzy Systems, Vol.2, Pp. 924–927, 2001.
  14. Honda К. and Ichihashi Н. “Regularized linear fuzzy clustering and probabilistic PCA mixture models”, IEEE Trans. Fuzzy Systems. Vol. 13. № 4. 508–516, 2005.
  15. Ichihashi H., Notsu A. & Honda K., Semi-hard c-means clustering with application to classifier design. International Conference on Fuzzy Systems. doi:10.1109/fuzzy.2010.5584553
  16. Oh C.-H., Honda К. and Ichihashi Н. “Fuzzy clustering for categorical multivariate data,” Proc. of Joint 9th IFSA World Congress and 20th NAFIPS International Conference. Pp. 2154–2159, 2001.
  17. Kummamuru К., Dhawale А. and Krishnapuram R. “Fuzzy co-clustering of documents and keywords,” Proc. 2003 IEEE Int’l Conf. Fuzzy Systems. Vol. 2. Pp. 772–777, 2003.
  18. Rigouste L., Cappé О.and Yvon F. “Inference and evaluation of the multinomial mixture model for text clustering,” Information Processing and Management, Vol. 43, no. 5, Pp. 1260–1280, 2007.
  19. Honda К., Oshio S. and Notsu А. “Fuzzy co-clustering induced by multinomial mixture models,” Journal of Advanced Computational Intelligence and Intelligent Informatics, vol. 19, no. 6, pp. 717–726, 2015.
  20. Kumar P. & Chaturvedi A., Probabilistic query generation and fuzzyc-means clustering for energy-efficient operation in wireless sensor networks. International Journal of Communication Systems, 29(8), 1439-1450. doi:10.1002/dac.3112.
  21. Wang Z., Wang L., Dang H. & Pan L., Web clustering based on hybrid probabilistic latent semantic analysis model. Journal of Computer Applications, 32 (11), 3018-3022. doi:10.3724/sp.j.1087.2012.03018.
  22. Raveendran R. & Huang B., Mixture Probabilistic PCA for Process Monitoring - Collapsed Variational Bayesian Approach. IFAC-PapersOnLine, 49(7), 1032-1037. doi:10.1016/j.ifacol.2016.07.338.

Ссылка для цитирования данной статьи

moderninnovation copyright    

Ссылка для цитирования. Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н. ПРИМЕНЕНИЕ ПАРАДИГМЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ И БИКЛАСТЕРИЗАЦИИ ПРИ МОНИТОРИНГЕ ИНФРАСТРУКТУРЫ ЦЕНТРОВ ОБРАБОТКИ ДАННЫХ // IX Международная научно-практическая конференция «Современные инновации в эпоху глобализации: теория, методология, практикаl» (Россия. Москва. 20 августа 2019). С.  {см. сборник}.

pdf moderninnovation2

СОВРЕМЕННАЯ ТЕХНОЛОГИЯ СТРОИТЕЛЬСТВА ДОМОВ С ПРИМЕНЕНИЕМ 3D-ПАНЕЛЕЙ

Калугина Ю.Е., Бабанов В.В.

Калугина Юлия Евгеньевна – магистр техники и технологии,

направление: строительство,

 ассистент,

кафедра городского строительства, архитектуры и дизайна;

Бабанов Вадим Вадимович – магистрант,

 специальность: теория и практика организационно-технологических и экономических решений,

кафедра городского строительства, архитектуры и дизайна,

Тульский государственный университет,

 г. Тула.

Аннотация: описывается современный метод быстрого возведения зданий с помощью 3D-панелей. Подробно разобрана технология изготовления панели, в общих чертах описаны основные элементы монтажа конструкций, их преимущества, возможные области применения в различных условиях строительства.

Ключевые слова: современная технология, армируемая панель, экономичное строительство, экологичное строительство, быстровозводимые здания, торкретирование, реконструкция зданий, 3D–панель.

Список литературы

  1. Бадьин Г.М. Б15 Современные технологии строительства и реконструкции зданий / Г.М. Бадьин, С.А. Сычев. СПб.: БХВ-Петербург, 2013. 153 с.
  2. 3D–панели. [Электронный ресурс]. Режим доступа: http://3dcomplect.com/3d-paneli/ (дата обращения: 20.04.2019).
  3. Торкретирование. [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/%D0%A2%D0%BE%D1%80%D0%BA%D1%80%D0%B5%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5/ (дата обращения: 20.04.2019).
  4. Строительство своими руками дома из 3D панелей и технология торкретирования. [Электронный ресурс]. Режим доступа: http://kak-svoimi-rukami.com/2012/09/stroitelstvo-svoimi-rukami-doma-iz-3d-panelej-i-texnologiya-torkretirovaniya/ (дата обращения: 21.04.2019).
  5. Юдина А.Ф. Строительство жилых и общественных зданий : учебник для студ. учреждений сред. проф. образования / А.Ф. Юдина. М.: Издательский центр «Академия», 2011. 10-20 с.
  6. Процесс строительства дома из 3D панели. [Электронный ресурс]. Режим доступа: https://www.youtube.com/watch?v=Ve-MvqHvJ2w#action=share/ (дата обращения: 23.04.2019).

Ссылка для цитирования данной статьи

moderninnovation copyright    

Ссылка для цитирования. Калугина Ю.Е., Бабанов В.В. СОВРЕМЕННАЯ ТЕХНОЛОГИЯ СТРОИТЕЛЬСТВА ДОМОВ С ПРИМЕНЕНИЕМ 3D-ПАНЕЛЕЙ // IX Международная научно-практическая конференция «Современные инновации в науке, образовании и технике» (Россия. Москва. 16 мая 2019). С.  {см. сборник}.

pdf moderninnovation2

ВОЗВЕДЕНИЕ ЗДАНИЙ С ПОМОЩЬЮ КОНТУРНОГО СТРОИТЕЛЬСТВА

Калугина Ю.Е., Золотарев А.Д.

 Калугина Юлия Евгеньевна – магистр техники и технологии,

 направление: строительство,

ассистент,

кафедра городского строительства, архитектуры и дизайна;

Золотарёв Александр Денисович – студент,

 специальность: автомобильные дороги,

кафедра строительства, строительных материалов и конструкций,

Тульский государственный университет,

г. Тула

Аннотация: рассматривается современная технология, обеспечивающая возведение зданий в короткие строки. Разбираются ее преимущества, недостатки, применяемые материалы и самые современные примеры строительства.

Ключевые слова: контурное строительство, инновационная технология, автоматизация строительства зданий, бетонные технологии, возведение конструкций, 3D–печать, архитектурные формы, контурное строительство, печать дома.

Список литературы

  1. Контурное строительство. [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D1%83%D1%80%D0%BD%D0%BE%D0%B5_%D1%81%D1%82%D1%80%D0%BE%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D1%81%D1%82%D0%B2%D0%BE/ (дата обращения: 08.04.2019).
  2. Behrokh Khoshnevis. [Электронный ресурс]. Режим доступа: https://en.wikipedia.org/wiki/Behrokh_Khoshnevis/ (дата обращения: 08.04.2019).
  3. Юдина А.Ф. Строительство жилых и общественных зданий: учебник для студ. учреждений сред. проф. образования / А.Ф. Юдина. М.: Издательский центр «Академия», 2011. 246-277 с.
  4. Калашников высокопрочные бетоны нового поколения // Популярное бетоноведение. Санкт-Петербург. № 2 (16), 2007. С. 44-49.
  5. 3D-принтер D-Shape может печатать полноразмерные дома. [Электронный ресурс]. Режим доступа: https://www.km.ru/tekhnologii/2012/03/11/tekhnologii-i-resheniya/3d-printer-d-shape-mozhet-pechatat-polnorazmernye-dom/ (дата обращения: 08.04.2019).
  6. Behrokh Khoshnevis “Robo Builder” Can Construct a Two-Storey House in 24 Hours. [Электронный ресурс]. Режим доступа: https://inhabitat.com/robo-builder-builds-a-building/robo-builder/ (дата обращения: 15.04.2019).
  7. Первый эксперимент Руденко по 3D-печати бетонного здания успешно завершен [Электронный ресурс]. Режим доступа: http://www.nanonewsnet.ru/news/2014/pervyi-eksperiment-rudenko-po-3d-pechati-betonnogo-zdaniya-uspeshno-zavershen/ (дата обращения: 15.04.2019).

Ссылка для цитирования данной статьи

moderninnovation copyright    

Ссылка для цитирования. Калугина Ю.Е., Золотарев А.Д. ВОЗВЕДЕНИЕ ЗДАНИЙ С ПОМОЩЬЮ КОНТУРНОГО СТРОИТЕЛЬСТВА // IX Международная научно-практическая конференция «Современные инновации в науке, образовании и технике» (Россия. Москва. 16 мая 2019). С.  {см. сборник}.

pdf moderninnovation2

ИСПОЛЬЗОВАНИЕ В СИСТЕМАХ МОНИТОРИНГА РОБАСТНЫХ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ

Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В.

 Вишняков Александр Сергеевич – ведущий инженер,

системный интегратор «Крастком»;

Макаров Анатолий Евгеньевич – архитектор решений,

Российская телекоммуникационная компания «Ростелеком»,

г. Москва;

Уткин Александр Владимирович – старший инженер,

Международный системный интегратор «EPAM Systems», г. Минск, Республика Беларусь;

Зажогин Станислав Дмитриевич - старший разработчик,

 Международный IT интегратор «Hospitality & Retail Systems»;

Бобров Андрей Владимирович – руководитель группы,

группа технической поддержки,

 Компания SharxDC LLC,

г. Москва

Аннотация: рассмотрены методы построения эффективных алгоритмов кластеризации набора данных в системах мониторинга. С целью создания кластеров с точными границами в условиях наличия выбросов был проведен анализ алгоритмов кластеризации нечетко вероятностного разделения методом нечетких c-средних. Указаны ключевые особенности современного подхода, в рамках которого алгоритмы нечетко‑вероятностное разделения набора данных специализируются на обнаружении кластеров имеющих сферическую форму. Показаны преимущества применения нечетко‑вероятностного разделения по сравнению с другими моделями кластеризации по методу нечетких c-средних, в том числе, что касается уменьшения требований к вычислительной мощности, необходимой для обработки данных алгоритмов за счет уменьшения количества параметров.

Ключевые слова: метод кластеризации нечетких с-средних, нечетко‑вероятностное разделение, сферическая форма кластера, робастные процедуры кластеризации.

Список литературы

  1. Lee S., Kim J. & Jeong Y., Various Validity Indices for Fuzzy K-means Clustering. Korean Management Review, 46(4), 1201-1226.
  2. Chen S., An improved fuzzy decision analysis framework with fuzzy Mahalanobis distances for individual investment effect appraisal. Management Decision, 55 (5), 935-956.
  3. Lewis R.H., Paláncz B. & Awange J., Application of Dixon resultant to maximization of the likelihood function of Gaussian mixture distribution. ACM Communications in Computer Algebra, 49(2), 57-57.
  4. Kumar P. & Chaturvedi A., Probabilistic query generation and fuzzy c-means clustering for energy-efficient operation in wireless sensor networks. International Journal of Communication Systems. 29 (8), 1439-1450.
  5. Raveendran R. & Huang B., Mixture Probabilistic PCA for Process Monitoring - Collapsed Variational Bayesian Approach. IFAC-PapersOnLine, 49 (7). 1032-1037.
  6. Hathaway R.J., Overstreet D.D., Murphy T.E. & Bezdek J.C., Relational data clustering with incomplete data. Applications and Science of Computational Intelligence IV.
  7. Hathaway R., Huband J. & Bezdek J. (n.d.). Kernelized Non-Euclidean Relational Fuzzy c-Means Algorithm. The 14th IEEE International Conference on Fuzzy Systems, 2005. FUZZ 05.
  8. Davé R.N. Characterization and detection of noise in clustering. Patt. Recogn. Lett. 12, 657–664 (1991).
  9. Klawonn F., Noise Clustering with a Fixed Fraction of Noise. Applications and Science in Soft Computing. 133-138.
  10. Menard M., Damko C., Loonis P. The fuzzyc+2 means: solving the ambiguity rejection in clustering. Patt. Recogn. 33, 1219–1237, 2000.
  11. Xu H. & Yue X., An Adaptive Fuzzy Switching Filter for Images Corrupted by Impulse Noise, 2009. Sixth International Conference on Fuzzy Systems and Knowledge Discovery.
  12. Alanzado A.C., Miyamoto S. Fuzzyc-means clustering in the presence of noise cluster for time series analysis. Proc. Modeling Decisions in Artificial Intelligence (MDAI), Lect. Notes Comp. Sci. 3558, 156–163 (2005)
  13. Nasraoui O. & Krishnapuram R. (n.d.). A novel approach to unsupervised robust clustering using genetic niching. Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE 2000 (Cat. No.00CH37063).
  14. Hamasuna Y., Endo Y. & Miyamoto S., On tolerant fuzzy c-means clustering and tolerant possibilistic clustering. Soft Computing, 14 (5), 487-494.
  15. Timm H., Borgelt C., Döring C., Kruse R. An extension to possibilistic fuzzy cluster analysis. Fuzzy Sets and Systems 147, 3–16,
  16. Pal N.R., Pal K., Keller J.M., Bezdek J.C. A possibilistic fuzzy c-means clustering algorithm. IEEE Trans. Fuzzy Syst. 13, 517–530,
  17. Szilágyi L. Fuzzy-Possibilistic Product Partition: a novel robust approach to c-means clustering. Proc. Modeling Decisions in Artificial Intelligence (MDAI), Lect. Notes Comp. Sci. 6820, 150–161, 2011.
  18. Suhaili S.M., Jambli M.N. & Huspi S.H., Evaluation of FCV and FCM clustering algorithms in cluster-based compound selection, 2011. 7th International Conference on Information Technology in Asia.
  19. Wang T. & Shen Q., Fuzzy C spherical shells cluster algorithm and an application to blood cell image. Second International Conference on Image and Graphics.
  20. Szilágyi L., Szilágyi S.M., Benyó B., Benyó Z. Intensity inhomogeneity compensation and segmentation of MR brain images using hybridc-means clustering models. Biomed. Sign. Proc. Contr. 6, 3–12. 2011.
  21. Szilágyi L. Robust spherical shell clustering using fuzzy-possibilistic product partition. Int. J. Intell. 28, 524–539, 2013.

Ссылка для цитирования данной статьи

moderninnovation copyright    

Ссылка для цитирования. Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В. ИСПОЛЬЗОВАНИЕ В СИСТЕМАХ МОНИТОРИНГА РОБАСТНЫХ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ // IX Международная научно-практическая конференция «Современные инновации в России и за рубежом: прошлое, настоящее, будущее» (Россия. Москва. 20 июня 2019). С.  {см. сборник}.

pdf moderninnovation2

Страница 1 из 21