Кластеризация объектов со слабо формализуемыми признаками на основе нейронной сети в виде слоя Кохонена
Автор: Кубасов И.А., Мельников А.В., Мальцев С.А., Нарушев И.Р.
Журнал: Вестник Воронежского государственного университета инженерных технологий @vestnik-vsuet
Рубрика: Информационные технологии, моделирование и управление
Статья в выпуске: 3 (77), 2018 года.
Бесплатный доступ
Анализ анкет несовершеннолетних в социальных сетях показывает, что подростки указывают в них сведения, повышающие уровень своей социальной желательности. Такая информация зачастую не имеет соответствия с реальным поведением подростка. Для полноценного анализа уровня девиантности несовершеннолетнего нужны инструменты охватывающие весь спектр показателей. В отличие от обычного подхода к кластеризации объектов на основе их объединения в группы по критерию минимума расстояния в многомерном пространстве при кластеризации признаков целесообразно учитывать их близость по способам получения информации и методам обработки этой информации инспектором по делам несовершеннолетних. Напервом этапе исследования проводится кластеризация признаков девиации, на втором определение весовых коэффициентов, показателя степени девиантности внутри каждой из групп признаков, на третьем используется методика кластерно-иерархического подхода при формировании интегрального показателя оценки девиантного поведения несовершеннолетних...
Кластеризация, нейронные сети, многокритериальный анализ
Короткий адрес: https://sciup.org/140238687
IDR: 140238687 | DOI: 10.20914/2310-1202-2018-3-86-91
Список литературы Кластеризация объектов со слабо формализуемыми признаками на основе нейронной сети в виде слоя Кохонена
- Нарушев И.Р., Мельников А.В., Денисенко В.В. Модели обобщенного показателя девиантного поведения несовершеннолетних//Вестник Воронежского института МВД России. 2018. № 1. С. 44-50
- Мельников А.В., Мальцев С.А Учет признаков инженерной оценки в экспертизе приемно-контрольных приборов охранно-пожарной сигнализации//Вестник Воронежского института МВД России. 2016. № 3. С. 51-57.
- Хайкин С. Нейронные сети: полный курс. М.: Издательский дом Вильямс, 2008.
- Zhang Z. Artificial neural network//Multivariate Time Series Analysis in Climate and Environmental Research. Springer, Cham, 2018. P. 1-35.
- Witten I., Frank E., Hall M. Data Mining: Practical Machine Learning Tools and Techniques. N.Y.: Morgan Kaufmann, 2011. 664 p.