Метод кластеризації квазіперіодичного сигналу на основі алгоритму клонального відбору
Анотація
У роботі запропоновано ієрархічно-ітеративний метод кластеризації квазіперіодичного сигналу, що базується на алгоритмі клонального відбору, підвищує швидкість та точність кластеризації. Попередньо проводиться перетворення зразків (квазіперіодичних ділянок) цього сигналу до єдиного амплітудно-часового вікна на основі зсуву та масштабування за часом і амплітудою, лінійною інтерполяцією та дискретизацією за часом. У результаті проведеного аналізу сучасних методів кластеризації квазіперіодичних сигналів встановлено, що більшість із них має один або кілька з таких недоліків: невідома точна кількість кластерів; чутливість до початкових значень центроїдів кластерів; низька ймовірність кластеризації; низька швидкість кластеризації; порівняння ділянок сигналу, що мають лише однаковий розмір; порівняння лише бінарних сигналів. Тому актуальною є розробка методу перетворення квазіперіодичного сигналу й ієрархічно-ітеративного методу кластеризації на основі алгоритму клонального відбору. Це забезпечить підвищення ефективності аналізу структури квазіперіодичного сигналу при проведенні обробки цифрових даних в інтелектуальних комп’ютерних системах ідентифікації особистості, технічної і медичної діагностики, аналізу мережевого трафіку тощо. Наведено порівняння запропонованого авторами методу й існуючих методів кластеризації, при цьому параметр клонування α=0.1, параметр мутації β=2.5, кількість замінних антитіл d=0.2|H|. Кластеризація проводилася на квазіперіодичних звуках мовлення, виголошених різними дикторами. Запропоновано метод перетворення квазіперіодичного сигналу, який перетворює зразки (квазіперіодичні ділянки) цього сигналу до єдиного амплітудно-часового вікна, за допомогою зсуву й масштабування за часом і амплітудою, інтерполяцією та дискретизацією. Це дозволяє порівнювати зразки сигналу різної довжини та з різним розмахом амплітуд. Створено метод кластеризації квазіперіодичного сигналу на основі ієрархічно-ітеративного підходу й алгоритму клонального відбору, що зменшує чутливість до початкових значень центроїдів кластерів за рахунок випадкового пошуку та забезпечує адаптивне налаштування кількості кластерів за рахунок ієрархічного підходу, а також підвищує ймовірність кластеризації до 0.98
Ключові слова
квазіперіодичний сигнал; алгоритм клонального відбору; ієрархічноітеративна кластеризація; перетворення сигналу; аналіз структури сигналу
Використані джерела
[1] K. S. Thyagarajan, Introduction to Digital Signal Processing using MATLAB with Application to Digital Communications. Cham, Switzerland: Springer, 2020.
[2] P. R. Hill, Audio and Speech Processing with MATLAB. Boca Raton, FL, USA: CRC Press, 2019.
[3] D. Barber, Bayesian Reasoning and Machine Learning. Cambridge, GB: Cambridge University Press, 2013.
[4] G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning with Applications in R. New York, USA: Springer, 2013. doi: 10.1007/978-1-4614-7138-7.
[5] T. Hastie, R. Tibshiriani, and M. Wainwright, Statistical Learning with Sparsity. The Lasso and Generalizations. New York, USA: Chapman and Hall/CRC, 2015. doi: 10.1201/b18401.
[6] A. N. Tkachenko, O. F. Griyo Tukalo, O. V. Dzisy, and S. M. Lakhovets, "Clustering method based on sequential launch of k-means with improved selection of a candidate for a new insertion position", Naukovi pratsi VNTU, no. 2, pp. 1-10, 2012 [in Russian].
[7] M. J. Brusco, E. Shireman, and D. Steinley, "A comparison of latent class, k-means, and k-median methods for clustering dichotomous data", Psychological Methods, 22 (3), pp. 563-580, 2017. doi: 10.1037/met0000095.
[8] C. C. Aggarwal, and C. K. Reddy, Data Clustering: Algorithms and Applications. Boca Raton, FL, USA: CRC Press, 2014.
[9] Z. Fu, and L. Wang, "Color image segmentation using Gaussian mixture model and EM algorithm", in Proc. Multimedia and Signal Processing. Communications in Computer and Information Science (CMSP 2012), 2012, vol. 346, pp. 61-66.doi: 10.1007/978-3-642-35286-7_9
[10] T. Kohonen, Self-Organizing and Associative Memory, 3rd ed. Berlin, Heidelberg, Germany: Springer, 2012. doi: 10.1007/978-3-642-88163-3
[11] T. Kohonen, "Essentials of the selforganizing map", Neural Networks: The Official Journal of the Inter-National Neural Network Society, vol. 37, pp. 52-65, 2013. doi: 10.1016/j.neunet.2012.09.018.
[12] K.-L. Du, and M. N. S. Swamy, Neural Networks and Statistical Learning. London, GB: Springer-Verlag, 2014. doi: 10.1007/978-1-4471-5571-3
[13] Yu. A. Skobtsov, and E. E. Fedorov, Metaheuristics. Donetsk, Ukraine: Noulidzh (Donetsk branch), 2013 [in Russian].
[14] J. Radosavljević, Metaheuristic Optimization in Power Engineering. New York, USA: Institution of Engineering and Technology, 2018. doi: 10.1049/pbpo131e.
[15] E. Alba, A. Nakib, and P. Siarry, Metaheuristics for Dynamic Optimization. Berlin, Germany: Springer-Verlag, 2013. doi: 10.1007/978-3-642-30665-5.
[16] K.-L. Du, and M. N. S. Swamy, Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature. Charm, Switzerland: Springer, 2016. doi: 10.1007/978-3-319-41192-7.
[17] O. Bozorg Haddad, M. Solgi, and H. Loaiciga, Meta-heuristic and Evolutionary Algorithms for Engineering Optimization. Hoboken, New Jersey, USA: Wiley & Sons, 2017. doi: 10.1002/9781119387053.
[18] X.-S. Yang, Nature-Inspired Algorithms and Applied Optimization. Charm, Switzerland: Springer, 2018. doi: 10.1007/978-3-319-67669-2.
[19] L. N. De Castro, and F. J. Von Zuben, "Learning and optimization using the clonal selection principle", IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, vol. 6, no. 3, pp. 239-251, 2002.
[20] E. D. Ülker, and S. Ülker, "Comparison study for clonal selection algorithm and genetic algorithm", International Journal of Computer Science & Information Technology (IJCSIT), vol. 4, no. 4, pp. 107-118, 2012. doi: 10.5121/ijcsit.2012.4410