Российский фонд
фундаментальных
исследований

Физический факультет
МГУ им. М.В.Ломоносова
 

Вестник Кыргызско-Российского Славянского ун-та. 2019. 19, № 8

 

Имашев С.А., Чешев М.Е., Кульков Д.С. «Кластерный анализ ключевых признаков акустоэмиссионных сигналов образцов горных пород. Часть 2. Применение алгоритма DBSCAN» Вестник Кыргызско-Российского Славянского университета (КРСУ), 19, № 8, с. 140-144 (2019)

Представлены результаты кластерного анализа ключевых признаков сигналов акустической эмиссии с применением алгоритма DBSCAN. Анализ диаграмм распределения признаков для 36 образцов горных пород (габбро – 5 образцов, гранит – 12 и мрамор – 19) показал, что полезные сигналы характеризуются высокими значениями ключевых признаков (Р1=85–100 и Р2=70–95) и группируются преимущественно в правом верхнем углу диаграммы, тогда как шумовые сигналы кластеризуются ближе к центру и по периферии. Области, соответствующие полезным и шумовым сигналам, характеризуются плотным центром и схожи по форме с нормальным распределением. Данные особенности позволяют использовать методы кластерного анализа для выделения полезных сигналов, а именно, алгоритм DBSCAN, который предназначен для кластеризации пространственных данных с присутствием шума на основе плотности распределения исследуемых данных.

Вестник Кыргызско-Российского Славянского университета (КРСУ), 19, № 8, с. 140-144 (2019) | Рубрика: 14.06

 

Чешев М.Е., Кульков Д.С. «Кластерный анализ ключевых признаков акустоэмиссионных сигналов образцов горных пород. Часть 1. Обзор алгоритмов кластеризации» Вестник Кыргызско-Российского Славянского университета (КРСУ), 19, № 8, с. 160-164 (2019)

Проведен анализ алгоритмов кластеризации библиотеки машинного обучения scikit-learn на синтетических наборах данных, имитирующих различные варианты кластеризации. В результате анализа были выбраны два алгоритма: алгоритм, основанный на анализе спектра матрицы схожести (Spectral clustering) и плотностный алгоритм кластеризации пространственных данных с присутствием шума – density-based spatial clustering of applications with noise (DBSCAN). Применение этих алгоритмов для выделения полезных сигналов акустической эмиссии на образце гранита и сравнение скорости их работы показало, что алгоритм DBSCAN работает в среднем на два порядка быстрее, чем алгоритм Spectral clustering. Область выделения полезных сигналов акустической эмиссии обеими алгоритмами отличается: Р1≈50–100, Р2≈40–100 для DBSCAN и Р1≈5–100, Р2≈50–100 для Spectral clustering. Полученный таким образом оптимальный алгоритм кластеризации используется в дальнейшем для выделения полезных сигналов акустической эмиссии образцов горных пород.

Вестник Кыргызско-Российского Славянского университета (КРСУ), 19, № 8, с. 160-164 (2019) | Рубрика: 14.06