Інтелектуальна система кластеризації даних на основі мережі з дипольною взаємодією між нейронами

Abstract

У магістерській кваліфікаційній роботі спроектовано та реалізовано інтелектуальну систему кластеризації даних на основі осциляторної хаотичної мережі з дипольними взаємодіями між нейронами. Система орієнтована на кластеризацію даних зі складною структурою з метою виявлення внутрішніх закономірностей і групування схожих об'єктів у кластери. У роботі розглядаються основні аспекти кластеризації, проблеми, що виникають, і методи автоматизації цього процесу без потреби в ручному втручанні або попередніх відомостях про структуру даних. Об'єктом дослідження є процеси кластеризації даних, а предметом дослідження є методи та алгоритми кластеризації з використанням осциляторної хаотичної нейронної мережі (ОХНМ) з дипольною взаємодією між нейронами. В основі роботи осциляторної хаотичної нейронної мережі лежить процес колективної синхронізації зв'язаних осциляторів. Система поєднує нелінійні характеристики штучних нейронних мереж і ергодичні властивості хаосу, що забезпечує високу точність і ефективність кластеризації, дозволяючи виявляти приховані закономірності в даних. Актуальність системи обумовлена експоненціальним збільшенням обсягів даних, що створює потребу в ефективних методах їх аналізу та обробки. Традиційні методи кластеризації часто не справляються з великими обсягами даних, особливо якщо дані мають складну структуру. Використання ОХНМ з дипольною взаємодією дозволяє підвищити точність і ефективність кластеризації, що робить це дослідження надзвичайно актуальним. Робота складається зі вступу, п'яти розділів, висновків, списку посилань та додатків. Перший розділ присвячений огляду існуючих методів кластеризації даних, їх класифікації та порівнянню. У ньому розглянуто основні проблеми кластеризації даних та шляхи їх вирішення. Другий розділ детально розглядає структуру і принципи функціонування системи кластеризації на основі ОХНМ за допомогою UML діаграм. Також описано постановку та обґрунтування розробки системи. Третій розділ присвячений вибору методів та інструментів розробки системи кластеризації на основі ОХНМ з дипольною взаємодією. Описуються етапи створення моделі, вибір алгоритмів та інструментів для її реалізації. Четверний розділ описує реалізовану систему кластеризації та порівнює її ефективність з моделлю ОХНМ з Ґаусовими взаємодіями між нейронами. Розглядаються результати експериментів на наборі даних Atom та аналізується якість кластеризації, досягнута за допомогою ОХНМ. П'ятий розділ економічно обґрунтовує доцільність розробки системи, показуючи, що її впровадження може значно знизити витрати на аналіз даних та підвищити ефективність бізнес-процесів. Визначено комплексний показник якості та розрахунок витрат на розробку і впровадження проектного рішення показали, що система є економічно вигідною та окупиться приблизно за два роки. Наукова новизна роботи полягає в розвитку методу кластеризації осциляторними хаотичними нейронними мережами шляхом використання дипольних синаптичних зв'язків. Це вдосконалення дозволяє ефективніше виявляти складні взаємодії між об'єктами даних. В результаті дослідження було: 1. Побудовано ОХНМ з дипольними синаптичними зв’язками, яка виявилася ефективною у кластеризації даних завдяки функції з повільним спаданням дипольних зв'язків. 2. Встановлено, що модель з дипольними синаптичними зв’язками забезпечує більшу синхронізацію нейронів, що відповідають за формування кластерів, порівняно з моделлю з Ґаусовими зв’язками. 3. Показано, що модель з дипольними синаптичними зв’язками забезпечує більший інтервал роздільної здатності, що робить її ефективнішою для різноманітних наборів даних незалежно від їх складності. 4. Встановлено, що мережа з дипольними зв’язками є менш чутливою до кількості найближчих сусідів порівняно з мережею з Ґаусовими синаптичними зв’язками, що робить її більш гнучкою для вирішення завдань кластеризації. 5. Визначено, що оптимальне число сусідів для кожної моделі та конкретного набору даних є ключовим фактором для досягнення максимальної роздільної здатності та ефективності кластеризації. Розроблена система має широкі можливості для застосування в різних сферах, включаючи фінансовий сектор, охорону здоров'я, виробництво, та інші галузі, де обробка великих даних є критично важливою. Висока точність роботи системи дозволяють значно покращити якість прийняття рішень, що базуються на аналізі даних, і підвищити конкурентоспроможність організацій.

In the master's thesis, an intelligent data clustering system based on an oscillatory chaotic network with dipole interactions between neurons has been designed and implemented. The system is aimed at clustering data with complex structures to identify internal patterns and group similar objects into clusters. The thesis addresses the main aspects of clustering, the challenges that arise, and the methods that allow automating this process without the need for manual intervention or prior knowledge of the data structure. The research object is the data clustering processes, and the research subject is the methods and algorithms of clustering using an oscillatory chaotic neural network (OCNN) with dipole interactions between neurons. The core of the OCNN's operation is the collective synchronization of coupled oscillators. The system combines the nonlinear characteristics of artificial neural networks and the ergodic properties of chaos, ensuring high accuracy and efficiency of clustering, which allows for the discovery of hidden patterns in the data. The relevance of the system is due to the exponential increase in data volumes, which creates a need for effective methods of analysis and processing. Traditional clustering methods often struggle with large data volumes, especially when the data have a complex structure. The use of OCNN with dipole interactions enhances the accuracy and efficiency of clustering, making this research highly relevant. The thesis consists of an introduction, five chapters, conclusions, references, and appendices. The first chapter is devoted to the review of existing data clustering methods, their classification, and comparison. It examines the main problems of data clustering and ways to solve them. The second chapter details the structure and principles of the clustering system based on OCNN using UML diagrams. It also describes the setting and justification for the system's development. The third chapter is dedicated to the selection of methods and tools for developing the clustering system based on OCNN with dipole interactions. It describes the stages of model creation, and the selection of algorithms, and tools for its implementation. The fourth chapter describes the implemented clustering system and compares its effectiveness with an OCNN model with Gaussian interactions between neurons. It discusses the experimental results on the Atom dataset and analyzes the clustering quality achieved with OCNN. The fifth chapter economically justifies the feasibility of the system development, showing that its implementation can significantly reduce data analysis costs and improve business process efficiency. The comprehensive quality indicator and cost calculation for the project solution's development and implementation showed that the system is economically viable and will pay off in about two years. The scientific novelty of the work lies in the development of a clustering method using oscillatory chaotic neural networks with dipole synaptic connections. This improvement allows for more effective detection of complex interactions between data objects. Research Results: 1. An OCNN with dipole synaptic connections was built, proving to be effective in data clustering due to the slow decay function of the dipole connections. 2. It was established that the model with dipole synaptic connections provides greater synchronization of neurons responsible for cluster formation compared to the model with Gaussian connections. 3. It was shown that the model with dipole synaptic connections provides a higher resolution interval, making it more effective for various datasets regardless of their complexity. 4. It was found that the network with dipole connections is less sensitive to the number of nearest neighbors compared to the network with Gaussian synaptic connections, making it more flexible for clustering tasks. 5. It was determined that the optimal number of neighbors for each model and specific dataset is a key factor for achieving maximum resolution and clustering efficiency. The developed system has wide application possibilities in various fields, including the financial sector, healthcare, manufacturing, and other industries where large data processing is critically important. The high accuracy of the system significantly improves decision-making quality based on data analysis and enhances organizational competitiveness.