Выявление однородных партий изделий космической радиоэлектроники на основе разделения смеси сферических гауссовых распределений
Автор: Орлов В.И., Сташков Д.В., Казаковцев Л.А., Насыров И.Р., Антамошкин А.Н.
Журнал: Сибирский аэрокосмический журнал @vestnik-sibsau
Рубрика: Математика, механика, информатика
Статья в выпуске: 1 т.18, 2017 года.
Бесплатный доступ
Выявление однородных партий электрорадиоизделий, применяемых в узлах космической электроники, является одной из важных задач на пути повышения качества этих узлов и, как следствие, срока активного существования и надежности космической техники. Повышение качества достигается как за счет более согласованной работы радиоэлементов с идентичными характеристиками, так и за счет повышения качества и достоверности результатов разрушающих тестовых испытаний, для которых появляется возможность гарантированно отбирать элементы из каждой производственной партии. В настоящей статье задача выделения однородных производственных партий изделий по данным тестовых испытаний решена в виде задачи разделения смеси сферических гауссовых распределений с применением EM-алгоритма с жадной агломеративной эвристикой. EM-алгоритм (алгоритм максимизациии математического ожидания), являясь эффективным средством разделения смеси распределений, в случае многомерных гауссовых распределений в пространстве очень высокой размерности оказывается практически неработоспособным: при большом объеме данных требуются слишком громоздкие вычисления для перестроения ковариационных матриц на каждой итерации, при малом объеме данных работа алгоритма приводит к выявлению ложных корреляций. Смешанная (сборная) партия электрорадиоизделий космического применения, представленная многомерным набором данных проведенных над ней неразрушающих тестовых испытаний, рассматривается как смесь сферических гауссовых распределений. Показано, что данная модель в совокупности с новыми разработанными алгоритмами позволяет эффективно выделять однородные партии изделий, может быть применена для разделения достаточно больших сборных партий (тысячи единиц), представленных массивом данных большой размерности (до сотен измерений), и позволяет достичь большей точности и стабильности результата в сравнении с многократным использованием EM-алгоритма в режиме случайного мультистарта.
Надежность эри, автоматическая группировка, нечеткая кластеризация
Короткий адрес: https://sciup.org/148177692
IDR: 148177692
Список литературы Выявление однородных партий изделий космической радиоэлектроники на основе разделения смеси сферических гауссовых распределений
- Королев В. Ю. ЕМ-алгоритм, его модификации и их применение к задаче разделения смесей вероятностных распределений. Теоретический обзор/ИПИ РАН. М., 2007. С. 94.
- Черезов Д. С., Тюкачев Н. А. Обзор основных методов классификации и кластеризации данных//Вестник ВГУ. Сер.: «Системный анализ и информационные технологии». 2009. Вып. № 2. С. 25-29.
- Казаковцев Л. А., Орлов В. И., Ступина А. А. Выбор метрики при классификации электрорадиоизделий по производственным партиям//Программные продукты и системы. 2015. № 2. С. 124-129.
- Федосов В. В., Казаковцев Л. А., Гудыма М. Н. Задача нормировки исходных данных испытаний электрорадиоизделий космического применения для алгоритма автоматической группировки//Информационные технологии моделирования и управления. 2016. № 4. С. 263-268.
- Применение EM-алгоритма к задаче автоматической группировки электрорадиоизделий/В. И. Орлов //Решетневские чтения: материалы XX юбилейной Междунар. науч.-практ. конф. (9-12 нояб. 2016, г. Красноярск). Т. 2. С. 72-73.
- Dasgupta S., Schulman S. J. A Two-Round Variant of EM for Gaussian Mixtures//UAI’00 Proceedings of the Sixteenth Conference on Uncertainty in artificial intelligence. 2000. P. 152-159.
- Varadhan S. R. S. Special invited paper: Large deviations//The Annals of Probability. 2008. Vol. 36, No. 2. P. 397-419 DOI: 10.1214/07-AOP348
- Bishop C. Neural networks for pattern recognition. New York: Oxford University Press, 1995. 498 p.
- Dasgupta S. Learning mixtures of Gaussians//IEEE Symposium on Foundations of Computer Science. 1999. P. 634-644.
- Borg J. F. P. Modern Multidimensional Scaling: Theory and Application Springer. 2005. P. 207-212.
- Федосов В. В., Орлов В. И. Минимально необходимый объем испытаний изделий микроэлектроники на этапе входного контроля//Известия высших учебных заведений. Приборостроение. 2011. Т. 54, № 4. С. 58-62.
- Задача классификации электронной компонентной базы/Л. А. Казаковцев //Вестник СибГАУ. 2014. № 4(56). C. 55-61.
- Федосов В. В., Патраев В. Е. Повышение надежности радиоэлектронной аппаратуры космических аппаратов при применении электрорадиоизделий, прошедших дополнительные отбраковочные испытания в специализированных испытательных технических центрах//Авиакосмическое приборостроение. 2006. № 10. С. 50-55.
- Калашников О. А., Никифоров А. Ю. Методика сертификации электронной компонентной базы бортовой космической аппаратуры по стойкости к дозовому воздействию//Спецтехника и связь. 2011. № 4-5. С. 32-38.
- Калашников О. А., Некрасов П. В., Демидов А. А. Функциональный контроль микропроцессоров при проведении радиационных испытаний//Приборы и техника эксперимента. 2009. № 2. 48 с.
- Патраев В. Е. Методы обеспечения и оценки надежности космических аппаратов с длительным сроком активного существования: монография/Сиб. гос. аэрокосмич. ун-т. Красноярск, 2010. 136 с.
- Lloyd S. P. Least Squares Quantization in PCM//IEEE Transactions on Information Theory. 1982. Vol. 28. P. 129-137.
- MacQueen J. B. Some Methods of Classification and Analysis of Multivariate Observations//Proceedings of the 5th Berkley Symposium on Mathematical Statistics and Probability. 1967. Vol. 1. P. 281-297.
- Казаковцев Л. А. Детерминированный алгоритм для задачи k-средних и k-медоид//Системы управления и информационные технологии. 2015. № 1(59). C. 95-99.
- Kazakovtsev L. A., Antamoshkin A. N., Masich I. S. Fast Deterministic Algorithm for EEE Components Classification//IOP Conf. Series: Materials Science and Engineering. 2015. Vol. 94. Аrticle ID 012015. P. 10 DOI: 10.1088/1757-899X/04/1012015
- Казаковцев Л. А., Ступина А. А., Орлов В. И. Модификация генетического алгоритма с жадной эвристикой для непрерывных задач размещения и классификации//Системы управления и информационные технологии. 2014. № 2(56). C. 35-39.
- Modified Genetic Algorithm with Greedy Heuristic for Continuous and Discrete p-Median Problems/L. A. Kazakovtsev //Facta Universitatis (Nis). Series: Mathematics and Informatics. 2015. Vol. 30, No. 1. P. 89-106.
- Казаковцев Л. А. Эволюционный алгоритм для задачи k-медоид//Системы управления и информационные технологии. 2015. № 2(60). С. 36-40.
- Hastie T., Tibshirani R, Friedman J. The Elements of Statistical. Learning Springer-Verlag. 2009. 764 P.
- Гмурман В. Е. Теория вероятностей и математическая статистика. М.: Высшее образование, 2005. 400 с.
- Decimal -Decimal fixed point and floating point arithmetic . URL: https://docs. python.org/2/library/decimal.html (дата обращения: 01.12.2016).
- Казаковцев Л. А., Антамошкин А. Н. Метод жадных эвристик для задач размещения//Вестник СибГАУ. 2015. № 2. С. 317-325.
- Fuzzy clustering of EEE components for space industry/V. I. Orlov //IOP Conference Series: Materials Science and Engineering. 2016. Vol. 155. Article ID 012026.
