Презентація Мальнєв Д.М

1. Міністерство освіти та науки України Харківський національний університет радіоелектроніки кафедра ЕОМ КВАЛІФІКАЦІЙНА РОБОТА

Методи інтелектуальної обробки даних
з використанням самоорганізованих
карт
виконав: ст. гр. СПм-24-1 Мальнєв Д.М.
керівник: доц. Сорокін А.Р.

2. Мета та об’єкт дослідження

Метою кваліфікаційної роботи є підвищення ефективності інтелектуальної
обробки багатовимірних даних шляхом розробки та дослідження методу
кластеризації на основі самоорганізованих карт Кохонена, який забезпечує
покращення якості виявлення структури даних, зменшення впливу шумів та
підвищення точності аналізу інформації.
Об’єктом дослідження є процес інтелектуальної обробки багатовимірних даних у
інформаційно-аналітичних системах із використанням нейромережевих методів
машинного навчання.
2

3. Завдання

провести аналіз сучасних методів інтелектуальної обробки даних та дослідити особливості
використання самоорганізованих карт Кохонена у задачах кластеризації та візуалізації даних;
виконати огляд сучасних наукових досліджень і методів удосконалення самоорганізованих карт,
визначити їх переваги, недоліки та обмеження;
провести порівняльний аналіз існуючих методів кластеризації та нейромережевих підходів до
інтелектуальної обробки даних;
розробити метод інтелектуальної обробки даних на основі самоорганізованих карт із
урахуванням адаптації параметрів навчання та підвищення стійкості до шумів;
реалізувати програмну модель запропонованого методу та провести експериментальні
дослідження його ефективності;
виконати порівняння результатів роботи розробленого методу з існуючими підходами за
показниками якості кластеризації та точності аналізу даних;
провести аналіз отриманих результатів та оцінити ефективність використання запропонованого
методу в системах інтелектуальної обробки даних.
3

4.

Архітектура самоорганізованої карти
Кохонена в БСМ
4

5. Алгоритм навчання карти Кохонена

5

6. Порівняльний аналіз сучасних методів інтелектуальної обробки даних на основі самоорганізованих карт

6

7. Метод інтелектуальної обробки даних із використанням самоорганізованих карт

1. X {x1 , x2 , , xn }, xi
3. wij (t )
m
2. xij
xij x min
j
x max
x min
j
j
4. W (t ) {wij (t )}
m
6. c arg min i , j ‖ x(t ) wij (t ) ‖
5. dij (t ) || x(t ) wij (t ) ||
7. N k ( x) {wi1 j1 , wi2 j2 , , wik jk }
1
8. p d ,
p 1, , k
p
k
w (t )
p
p
p
p 1
9. v(t )
k
p 1
t
11. (t ) 0 exp
T
2
d grid
((i, j ), (cr , cs ))
h
(
t
)
exp
10. ij
2
2
r
(
t
)
t
12. r (t ) r0 exp
Tr
13. wij (t 1) wij (t ) (t )hij (t )( x(t ) wij (t ))
14. w (t )
‖ W (t 1) W (t ) ‖ F
‖ W (t ) ‖ F
w (t ) 1
1 n
‖ xi wc (i ) (t ) ‖
n i 1
t Tmax
15. QE (t )
16. | QE (t ) QE (t 1) | 2
17. c(i) arg min p ,q ‖ xi wpq ‖
7

8. Вибір програмного забезпечення для реалізації

8

9. Програмна реалізація

9

10.

Аналіз результатів
10

11. Аналіз результатів

11

12. Аналіз результатів

12

13. Аналіз результатів

13

14. Аналіз результатів

14

15. Апробація

1. Мальнєв Д.М., Сорокін А.Р. Методи інтелектуальної обробки даних з
використанням самоорганізованих карт. Тези доповідей шістнадцятої
міжнародної науково-технічної конференції XVІ МНТК “Сучасні напрями
розвитку інформаційно-комунікаційних технологій та засобів управління” 29
– 30 квітня 2026 року, Т. 3, 2026. С.27–28.
2. Мальнєв Д.М., Дяченко В.О. Інтелектуальна обробка даних з використанням
машинного навчання. Тези доповідей XXXІV Міжнародної науково-
практичної конференції «Інформаційні технології: наука, техніка, технологія,
освіта, здоров’я» (MicroCAD–2026) 13–16 травня 2026 року, 2026. С. 1662.
15

16. Висновки

У ході роботи було досліджено можливості SOM для задач кластеризації багатовимірних даних на прикладі набору
даних UCI HAR Dataset. Було реалізовано та проаналізовано декілька конфігурацій SOM із різними розмірами решітки:
10×10, 12×12, 15×15, 20×20 та 25×25. Додатково результати порівнювалися з класичними алгоритмами кластеризації,
зокрема k-means та DBSCAN. Запропоновано метод інтелектуальної обробки даних для вирішення задач кластеризації. У
процесі експериментів було встановлено, що SOM успішно виконує нелінійне відображення багатовимірного простору у
двовимірну карту, зберігаючи топологічні властивості даних. Аналіз динаміки похибки квантування показав стабільне
навчання моделей для всіх конфігурацій карт. На початкових етапах навчання спостерігалося різке зменшення похибки,
після чого процес поступово переходив до стабілізації. Це свідчить про коректну адаптацію нейронів карти до структури
вибірки. Порівняння різних розмірів SOM показало, що збільшення розмірності карти дозволяє детальніше відображати
внутрішню структуру даних, однак надмірно великі карти призводять до фрагментації кластерів та ускладнення
інтерпретації результатів. Найбільш збалансованою конфігурацією виявилася карта 15×15, яка забезпечила оптимальний
компроміс між деталізацією, стабільністю кластерів та якістю візуалізації. PCA-візуалізація кластерів підтвердила, що SOM
формує впорядковану топологічну структуру, де близькі за характеристиками об’єкти розташовуються у сусідніх областях
карти. При цьому більші конфігурації SOM демонстрували плавніші переходи між групами даних та кращу локальну
сегментацію. Аналіз U-matrix показав, що SOM здатна ефективно виявляти межі між кластерами. Для карт середнього
розміру спостерігалося чітке формування областей підвищених міжнейронних відстаней, які відповідають природним
розділенням між групами даних. Це підтверджує здатність SOM не лише виконувати кластеризацію, а й забезпечувати
інтерпретовану візуалізацію структури вибірки. Порівняння з іншими алгоритмами кластеризації показало, що: а) k-means
продемонстрував найкращі значення класичних метричних показників; б) DBSCAN виявився менш ефективним для
обраного датасету; в) SOM забезпечила дещо нижчі числові метрики, проте надала значно кращу інтерпретованість та
візуальне представлення структури даних.
16