Метод классификации сигналов на основе спектрального анализа графа кластерного разбиения


https://doi.org/10.15217/issn1684-8853.2015.2.23

Полный текст:


Аннотация

Постановка проблемы: большинство методов классификации сигналов учитывают внутреннюю структуру объектов, основываясь только на марковских предположениях, что приводит к потере значительной части дискриминантной информации, содержащейся в сигнале. Целью данной работы является улучшение качества работы методов классификации сигналов за счет анализа информации о структуре их кластерного разбиения. Результаты: предложен метод классификации на основе спектрального анализа графов, формируемых по обучаемой с учителем модели, и разработан способ классификации сигналов на основе анализа структуры кластеров, получаемых в результате отображения сигнала на нелинейное главное многообразие малой размерности с помощью алгоритма формирования самоорганизующейся карты Кохонена. Полученное кластерное разбиение представляется в виде графа. Определены граф данных и граф модели, задаваемые на топологической, упорядоченной структуре карты Кохонена. Целочисленная мера сходства графа данных и графа модели вычисляется с использованием методов спектральной теории графов. Экспериментально доказано улучшение качества классификации при объединении предложенного в работе метода с широко известными методами, такими как HMM и HCRF, а также с ранее разработанным нами методом NPM-PGM. Практическая значимость: разработанный метод может быть использован для решения задач распознавания сигналов (последовательностей наблюдений), таких как, например, распознавание рукописных символов, написанных стилусом на планшете, и распознавание действий человека по данным акселерометра наручного браслета.

Об авторах

Сергей Сергеевич Юлин
ОАО «КБ «ЛУЧ»
Россия


Ирина Николаевна Паламарь
Рыбинский государственный авиационный технический университет им. П. А. Соловьева
Россия


Список литературы

1. Рабинер Л. Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: обзор // ТИИЭР. 1989. T. 77. № 2. С. 86-120.

2. Gunawardana A., Mahajan M., Acero A., Platt J. C. Hidden Conditional Random Fields for Phone Classification // Intern. Conf. on Speech Communication and Technology. 2005. P. 1117-1120.

3. Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. - MIT Press, 2009. - 1265 p.

4. Кузнецов Л. А., Бугаков Д. А. Разработка меры оценки информационного расстояния между графическими объектами // Информационно-управ- ляющие системы. 2013. № 1(62). С. 74-79.

5. Bengoetxea E. Inexact Graph Matching Using Estimation of Distribution Algorithms: PhD thesis/ Ecole Nationale Sup’erieure des T’el’ecommunications. - Paris, 2002. - 187 p.

6. Leordeanu M., Hebert M. A Spectral Technique for Correspondence Problems Using Pairwise Constraints // Tenth IEEE Intern. Conf. on Computer Vision (ICCV). 2005. Vol. 2. P. 1482-1489.

7. Nan Hu, Rustamov R., Guibas L. Stable and Informative Spectral Signatures for Graph Matching // IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 2014. P. 2313-2320.

8. Cour T., Srinivasan P., Shi J. Balanced Graph Matching // Advances in Neural Information Processing Systems 19 (NIPS 2006). 2006. P. 313-320.

9. Цветкович Д., Дуб М., Захс Х. Спектры графов. Теория и применение. - Киев: Наукова думка, 1984. - 384 с.

10. Кохонен Т. Самоорганизующиеся карты. - М.: Бином, 2008. - 655 с.

11. Gorban А., Kegl B., Wunsch D., Zinovyev A. Principal Manifolds for Data Visualisation and Dimension Reduction. - N. Y.: Springer, 2008. - 340 p.

12. Cottrell M., Fort J.-C. Etude d’un Processus D’auto- organisation // Annales de l’institut Henri Poincare. 1987. Vol. 23. P. 1-20.

13. Bruno B., Mastrogiovanni F., Sgorbissa A., Vernazza T. Analysis of Human Behavior Recognition Algorithms Based on Acceleration Data // IEEE Intern. Conf. on Robotics and Automation (ICRA). 2013. P. 1602-1607.

14. Паламарь И. Н., Юлин С. С. Порождающая графическая вероятностная модель на основе главных многообразий // Тр. СПИИРАН. 2014. № 2. С. 227-247.

15. Palamar I. N., Yulin S. S. Probabilistic Graphical Model Based on Growing Neural Gas for Long Time Series Classification // Modern Applied Science. 2015. Vol. 9. N 2. P. 108-115.

16. UCI Machine Learning Repository. Dataset for ADL Recognition with Wrist-worn Accelerometer Data Set, 2014. http://archive.ics.uci.edu/ml/datasets/ Dataset+for+ADL+Recognition+with+Wrist-worn+ Accelerometer (дата обращения: 01.01.2015).

17. UCI Machine Learning Repository. Character Trajectories Data Set, 2008. http://archive.ics.uci.edu/ml/ datasets/Character+Trajectories (дата обращения: 01.01.2015).

18. Городецкий В. И., Серебряков С. В. Методы и алгоритмы коллективного распознавания: обзор // Тр. СПИИРАН. 2006. № 3. С. 139-171.

19. Ogorzalek M., Merkwirth C. Statistical Learning and Ensembling Techniques for Time-series-based Model Building, 2006. http://www.eie.polyu.edu.hk/~maciej/ pdf/hong_kong_seminar-14_03_2006.pdf (дата обращения: 01.01.2015).

20. Dietterich T. Ensemble Methods in Machine Learning // Multiple Classifier Systems. 2000. Vol. 1857. P. 1-15.


Дополнительные файлы

Для цитирования: Юлин С.С., Паламарь И.Н. Метод классификации сигналов на основе спектрального анализа графа кластерного разбиения. Информационно-управляющие системы. 2015;(2):23-29. https://doi.org/10.15217/issn1684-8853.2015.2.23

For citation: Yulin S.S., Palamar I.N. The Method of Time-Series Classification Based on Spectral Analysis of Self-Organizing Map. Information and Control Systems. 2015;(2):23-29. (In Russ.) https://doi.org/10.15217/issn1684-8853.2015.2.23

Просмотров: 24


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)