МЕТОД КЛАСТЕРИЗАЦІЇ КВАЗІПЕРІОДИЧНОГО СИГНАЛУ НА ОСНОВІ АЛГОРИТМУ КЛОНАЛЬНОГО ВІДБОРУ
DOI:
https://doi.org/10.24025/2306-4412.2.2022.253905Ключові слова:
квазіперіодичний сигнал, алгоритм клонального відбору, ієрархічно-ітеративна кластеризація, перетворення сигналу, аналіз структури сигналуАнотація
У роботі запропоновано ієрархічно-ітеративний метод кластеризації квазіперіодичного сигналу, що базується на алгоритмі клонального відбору, підвищує швидкість та точність кластеризації. Попередньо проводиться перетворення зразків (квазіперіодичних ділянок) цього сигналу до єдиного амплітудно-часового вікна на основі зсуву та масштабування за часом і амплітудою, лінійною інтерполяцією та дискретизацією за часом. У результаті проведеного аналізу сучасних методів кластеризації квазіперіодичних сигналів встановлено, що більшість із них має один або кілька з таких недоліків: невідома точна кількість кластерів; чутливість до початкових значень центроїдів кластерів; низька ймовірність кластеризації; низька швидкість кластеризації; порівняння ділянок сигналу, що мають лише однаковий розмір; порівняння лише бінарних сигналів. Тому актуальною є розробка методу перетворення квазіперіодичного сигналу й ієрархічно-ітеративного методу кластеризації на основі алгоритму клонального відбору. Це забезпечить підвищення ефективності аналізу структури квазіперіодичного сигналу при проведенні обробки цифрових даних в інтелектуальних комп’ютерних системах ідентифікації особистості, технічної і медичної діагностики, ана-лізу мережевого трафіку тощо. Наведено порівняння запропонованого авторами методу й існуючих методів кластеризації, при цьому параметр клонування α=0.1, параметр мутації β=2.5, кількість замінних антитіл d=0.2|H|. Кластеризація проводилася на квазіперіодичних звуках мовлення, виголошених різними дикторами. Запропоновано метод перетворення квазіперіодичного сигналу, який перетворює зразки (квазіперіодичні ділянки) цього сигналу до єдиного амплітудно-часового вікна, за допомогою зсуву й масштабування за часом і амплітудою, інтерполяцією та дискретизацією. Це дозволяє порівнювати зразки сигналу різної довжини та з різним розмахом амплітуд. Створено метод кластеризації квазіперіодичного сигналу на основі ієрархічно-ітеративного підходу й алгоритму клонального відбору, що зменшує чутливість до початкових значень центроїдів кластерів за рахунок випадкового пошуку та забезпечує адаптивне налаштування кількості кластерів за рахунок ієрархічного підходу, а також підвищує ймовірність кластеризації до 0.98.
Посилання
K. S. Thyagarajan, Introduction to Digital Signal Processing using MATLAB with Ap-plication to Digital Communications. Cham, Switzerland: Springer, 2020.
P. R. Hill, Audio and Speech Processing with MATLAB. Boca Raton, FL, USA: CRC Press, 2019.
D. Barber, Bayesian Reasoning and Ma-chine Learning. Cambridge, GB: Cambridge University Press, 2013.
G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning with Applications in R. New York, USA: Springer, 2013. doi: 10.1007/978-1-4614-7138-7.
T. Hastie, R. Tibshiriani, and M.Wainwright, Statistical Learning with Sparsity. The Lasso and Generalizations. New York, USA: Chapman and Hall/CRC, 2015. doi: 10.1201/b18401.
A. N. Tkachenko, O. F. Griyo Tukalo, O. V. Dzisy, and S. M. Lakhovets, "Clustering method based on sequential launch of k-means with improved selection of a candidate for a new insertion position", Naukovi pratsi VNTU, no. 2, pp. 1-10, 2012 [in Russian].
M. J. Brusco, E. Shireman, and D. Steinley, "A comparison of latent class, k-means, and k-median methods for clustering dichoto-mous data", Psychological Methods, 22 (3), pp. 563-580, 2017. doi: 10.1037/met0000095.
C. C. Aggarwal, and C. K. Reddy, Data Clustering: Algorithms and Applications. Boca Raton, FL, USA: CRC Press, 2014.
Z. Fu, and L. Wang, "Color image segmen-tation using Gaussian mixture model and EM algorithm", in Proc. Multimedia and Signal Processing. Communications in Computer and Information Science (CMSP 2012), 2012, vol. 346, pp. 61-66. doi: 10.1007/978-3-642-35286-7_9
T. Kohonen, Self-Organizing and Associa-tive Memory, 3rd ed. Berlin, Heidelberg, Germany: Springer, 2012. doi: 10.1007/978-3-642-88163-3
T. Kohonen, "Essentials of the self-organizing map", Neural Networks: The Of-ficial Journal of the Inter-National Neural Network Society, vol. 37, pp. 52-65, 2013. doi: 10.1016/j.neunet.2012.09.018.
K.-L. Du, and M. N. S. Swamy, Neural Networks and Statistical Learning. London, GB: Springer-Verlag, 2014. doi: 10.1007/978-1-4471-5571-3.
Yu. A. Skobtsov, and E. E. Fedorov, Metaheuristics. Donetsk, Ukraine: Noulidzh (Donetsk branch), 2013 [in Russian].
J. Radosavljević, Metaheuristic Optimiza-tion in Power Engineering. New York, USA: Institution of Engineering and Tech-nology, 2018. doi: 10.1049/pbpo131e.
E. Alba, A. Nakib, and P. Siarry, Metaheu-ristics for Dynamic Optimization. Berlin, Germany: Springer-Verlag, 2013. doi: 10.1007/978-3-642-30665-5.
K.-L. Du, and M. N. S. Swamy, Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature. Charm, Switzerland: Springer, 2016. doi: 10.1007/978-3-319-41192-7.
O. Bozorg Haddad, M. Solgi, and H. Loaiciga, Meta-heuristic and Evolution-ary Algorithms for Engineering Optimiza-tion. Hoboken, New Jersey, USA: Wiley & Sons, 2017. doi: 10.1002/9781119387053.
X.-S. Yang, Nature-Inspired Algorithms and Applied Optimization. Charm, Switzerland: Springer, 2018. doi: 10.1007/978-3-319-67669-2.
L. N. De Castro, and F. J. Von Zuben, "Learning and optimization using the clonal selection principle", IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, vol. 6, no. 3, pp. 239-251, 2002.
E. D. Ülker, and S. Ülker, "Comparison study for clonal selection algorithm and ge-netic algorithm", International Journal of Computer Science & Information Technolo-gy (IJCSIT), vol. 4, no. 4, pp. 107-118, 2012. doi: 10.5121/ijcsit.2012.4410.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
URN
Ліцензія
Авторське право (c) 2022 Федоров Євген Євгенович, Уткіна Тетяна Юріївна
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються в цьому збірнику, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають збірнику право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License CC BY-NC, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому збірнику.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи в тому вигляді, в якому її опубліковано цим збірником (наприклад, розміщувати роботу в електронному сховищі установи або публікувати в складі монографії), за умови збереження посилання на першу публікацію роботи в цьому збірнику.
Політика збірника наукових праць дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).