Ю.Е. Кувайскова – к.т.н., доцент, кафедра «Прикладная математика и информатика»,  Ульяновский государственный технический университет

E-mail: u.kuvaiskova@mail.ru

В.Н. Клячкин – д.т.н., профессор, кафедра «Прикладная математика и информатика»,  Ульяновский государственный технический университет E-mail: v_kl@mail.ru

Отмечено, что для оценивания исправности или неисправности  объекта проводится техническая диагностика их состояния, при этом применяются различные методы машинного обучения по прецедентам. Предложено для повышения точности прогнозирования технического состояния объекта комбинировать результаты методов бинарной классификации с помощью процедуры бэггинга. Проведено численное исследование оценки исправности объекта. Показано, что применение бэггингтехнологии позволяет повысить точность классификации по сравнению с базовыми методами.

1. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. San Francisco: Morgan Kaufmann Publishers. 2005. 525 p.
2. Клячкин В.Н., Кувайскова Ю.Е., Жуков Д.А. Использование агрегированных классификаторов при технической диагностике на базе машинного обучения // Сб. трудов III Междунар. конф. и молодежной школы «Информационные технологии и нанотехнологии (ИТНТ-2017)». Самарский национальный исследовательский университет имени академика С.П. Королева. 2017. С. 1770−1773.
3. Клячкин В.Н., Кувайскова Ю.Е., Алексеева В.А. Статистические методы анализа данных. М.: Финансы и статистика. 2016. 240 с.
4. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир. 1974. 242 с.
5. Васильев К.К., Крашенинников В.Р. Статистический анализ последовательностей изображений. М.: Радиотехника. 2017. 248 с.
6. Zadeh L.A. Fuzzy Logic // Computational Complexity: Theory, Techniques and Applications / R.A. Meyers (eds). New York: Springer. 2012. P. 1177−1200.
7. Kuvayskova Y.E. The Prediction Algorithm of the Technical State of an Object by Means of Fuzzy Logic Inference Models // Procedia Engineering. «3rdInternational Conference «Information Technology and Nanotechnology» (ITNT 2017)». 2017. С. 767−772.
8. Кувайскова Ю.Е., Алёшина А.А. Техническая диагностика объектов с использованием методов нечеткой логики // Радиотехника. 2017. № 6. С. 32−34.
9. Кувайскова Ю.Е., Федорова К.А., Жуков Д.А. Анализ стабильности работы технического объекта с применением аппарата нечеткой логики // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. 2016. № 1 (10). С. 167−171.
10. Клячкин В.Н., Карпунина И.Н., Кувайскова Ю.Е., Хорева А.С. Применение методов машинного обучения при решении задач технической диагностики // Научный вестник УВАУ ГА(И). 2016. Т. 8. С. 158−161.
11. Breiman L. Bagging Predictors // Machine Learning. 1996. V. 24 (2). P. 123−140.
12. Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и другие алгоритмы Data Mining с использованием R. 2017. 351 с. (электронная книга, URL = https://github.com/ranalytics/data-mining).
13. Воронина В.В., Михеев А.В., Ярушкина Н.Г., Святов К.В. Теория и практика машинного обучения. Ульяновск: УлГТУ. 2017. 290 с.