Development and application potential of gravitational classifiers

• Autorzy: Rybak Łukasz , Dudczyk Janusz

Identyfikatory

DOI

10.15199/13.2023.3.3

Warianty tytułu

PL

Potencjał rozwojowy i aplikacyjny klasyfikatorów grawitacyjnych

• Języki publikacji: EN

Abstrakty

EN

The aim of the article is to show the development and application potential of gravitational classifiers. The paper contains a synthetic overview of information about algorithms belonging to the aforementioned group of approaches, which are part of the field of artificial intelligence. The significance of the intelligent data processing process was confirmed by referring to the data published by the European Statistical Office and documents referring to the European Commission’s strategy for 2019-2024. A group of gravitational classifiers was characterized, which were positioned in the area of machine learning alongside other groups of algorithms described in the world literature. A three-set division of gravitational classifiers was presented, and the features of selected methods and their practical applications were described as well. Conclusion of the article is an indication of potential development and application directions of the gravitational algorithm, which creates a data particle through its geometrical divide.

PL

Celem artykułu jest ukazanie potencjału rozwojowego i aplikacyjnego klasyfikatorów grawitacyjnych. W artykule przedstawiono w sposób syntetyczny przegląd informacji dotyczących algorytmów należących do wspomnianej grupy, wpisujących się w obszar sztucznej inteligencji. Istotność procesu inteligentnego przetwarzania danych potwierdzono, odnosząc się do danych opublikowanych przez Europejski Urząd Statystyczny oraz dokumentów dotyczących strategii Komisji Europejskiej na lata 2019-2024. Scharakteryzowano grupę klasyfikatorów grawitacyjnych, które spozycjonowano w obszarze uczenia maszynowego obok innych, opisanych w światowej literaturze, grup algorytmów. Przedstawiono trójzbiorowy podział klasyfikatorów grawitacyjnych, opisując również cechy wybranych metod oraz ich praktyczne zastosowania. Konkludując artykuł wskazano potencjalne kierunki rozwoju i aplikacji algorytmu grawitacyjnego, który tworzy cząstkę danych poprzez jej geometryczny podział.

Słowa kluczowe

EN

artificial intelligence; classification; gravitational classifier; geometrical divide

PL

sztuczna inteligencja; klasyfikacja; klasyfikator grawitacyjny; geometryczny podział

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2023
• Tom: Vol. 64, Nr 3
• Strony: 29--32
• Opis fizyczny: Bibliogr. 33 poz.

Twórcy

autor

Rybak Łukasz

• Military University of Technology, Faculty of Electronics, Institute of Communication Systems, Warsaw, Poland

autor

Dudczyk Janusz

• Military University of Technology, Faculty of Electronics, Institute of Communication Systems, Warsaw, Poland

Bibliografia

• [1] Rybak, Ł.; Dudczyk, J.: Increasing the information superiority on the modern battlefield through the use of virtual reality systems. Security and Defence Quarterly 2019, Vol. 25, No. 3, pp. 86-98, DOI: 10.35467/sdq/105998.
• [2] Dudczyk, J.; Rybak, Ł.: The technology of remote measurement and transmision of vital signs in the process of victims evacuation. Wielowymiarowość zdrowia, Wydawnictwo Państwowej Uczelni im. Stefana Batorego, Skierniewice 2019, pp. 193-201.
• [3] Dudczyk, J.; Rybak, Ł.; Jezierski, Z.: Data Fusion in the Decision-making Process Based on Artificial Neural Networks. Zeszyty Naukowe. Organizacja i Zarządzanie, Politechnika Śląska 2020, No. 149, pp. 97-108, DOI: 10.29119/1641- 3466.2020.149.10.
• [4] Onn, C. W.; Sorooshian, S.: Mini Literature Analysis on Information Technology Definition. Information and Knowledge Management 2013, Vol. 3, No. 2, pp. 139-140.
• [5] Rybak, Ł.: Doctoral Thesis: Geometrical division of data particle in classification of multidimensional data sets. Lodz University of Technology, Lodz 2022.
• [6] European Statistical System: ICT sector - value added, employment and R&D. [Accessed on 19 February 2023].
• [7] European Commission: The European strategy for data. 19 February 2020, Brussels, DOI: 10.2775/987881 [Accessed on 19 February 2023].
• [8] European Commission: Excellence and trust in artificial intelligence. 19 February 2020, Brussels, DOI: 10.2775/988466 [Accessed on 19 February 2023].
• [9] Kaplan, A.; Haenlein, M.: Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons 2019, Vol. 62, No. 1, pp. 15-25, DOI: 10.1016/j.bushor.2018.08.004.
• [10] Xin, Y.; Kong, L.; Liu, Z.; Chen, Y.; Li, Y.; Zhu, H.; Gao, M.; Hou, H.; Wang, Ch.: Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access 2018, Vol. 6, pp. 35365-35381, DOI: 10.1109/ACCESS.2018.2836950.
• [11] Theodoridis, S.; Koutroumbas, K.: Introduction [in:] Pattern Recognition 4th Edition 2008, Elsevier, pp. 1-12, ISBN: 9781597492720.
• [12] McCulloch, W.S.;Pitts,W.: A logical calculus of the idea simmanent in nervous activity. The bulletin of mathematical biophysics 1943, Vol. 5, pp. 115–133, DOI: 10.1007/BF02478259.
• [13] Lipiński, P.; Brzychczy, E.; Zimroz, R.: Decision Tree-Based Classification for Planetary Gearboxes’ Condition Monitoring with the Use of Vibration Data in Multidimensional Symptom Space. Sensors 2020, Vol. 20, No. 21, DOI: 10.3390/s20215979.
• [14] Wright, W. E.: Gravitational clustering. Pattern Recognition 1977, Vol. 9, No. 7, pp. 151-166, DOI: 10.1016/0031-3203(77)90013- 9.
• [15] Peng, L.; Chen, Y.; Yang, B.; Chen, Z.: A Novel Classification - DOI: 10.1109/ICNNB.2005.1614719.
• [16] Wang, Ch.; Chen, Y. Q.: Improving Nearest Neighbour Classification with Simulated Gravitational Coapse."ICNC'O5 Proceedings of the First International Conference on Advances in Natural Computation, Changsha, 2005. pp. 845-854, DOI: 10.100711539902_104.
• [17] Rybak. Ł.; Dudczyk, J.: A Geometrical Divide of Data Particle in Gravitational Classification of Moons and Circles Data Sets. Entropy 2020, Vol. 22, No. 10, DOI: 10.3390e22101088.
• [18] Rybak Ł.; Dudczyk. J.: Variant of Data Particle Geometrical Divide for Imbalanced Data Sets Classification by the Example of Occupancy Detection. Applied Sciences 2021, Vol. 11, No 11, DOI: 10.3390app11114970.
• [19] Liu, C.; Wang, W.; Tu, G.; Xiang. Y.; Wang, S.; Lv, F.: A new Centroid-Based Classification model for text categorization. Knowledge-Based Systems 2017, Vol. 136. pp. 15-26. DOI: 10.1016j.knosys.2017.08.020.
• [20] Lertnattee, V.; Theeramunkong, T.: Class normalization in centroid-based text categorization. Information Sciences 2006, Vol. 176, No. 12, pp. 1712-1738. DOI: 10.1016j.ins.2005.05.010.
• [21] Guan, H ; Zhou, J.; Guo, M.: A Class-Feature-Centroid classifier for text categorization. Proceedings of the 18th International Conference on World Wide Web 2005, pp. 201-210, DOI: 10.1145l1526709.1526737.
• [22] Wang, D.; Wu, J.; Zhang. H.: Xu. K : Lin, M.: Towards enhancing centroid classifier for text classification - A border-instance approach. Neurocomputing 2013. Vol. 101. pp. 299-308, DOI: 10.1016j.neucom.2012.08 019.
• [23] Cataltepe, Z.; Aygun, E.: An Improvement of Centroid-Based Classification Algorithm tor Text Classification Proceedings of the 2007 IEEE 23rd International Conference on Data Engineering Workshop 2007, pp 952-956, DOI: 10.1109 ICDEW.2007.4401090.
• [24] Wu, H.; Phang, T. H.: Liu. B.: Li, X.: A refinement approach to handling model misfit in text categorization. Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining, Edmonton, 2002, pp. 207-216, DOI: 10.1145f 775047.775078.
• [25] Tan, S.: An improved centroid classifier for text categorization. Expert Systems with Applications: An International Journal 2008, Vol. 35. No. 1-2, pp. 279-285, DOI: 10.1016j.eswa.2007.06.028.
• [26] Miao, Y. Q., Kamel, M : Pairwise optimized 7occhio algorithm for text categorization. Pattern Recognition Letters 2011, Vol. 32. No. 2, pp. 375-3B2, DOI: 10.1016j.patrec.2010.09.018.
• [27] Wang. D.; Chen, Q.; Wang, X.: A Framework of Centroid-Based Methods for Text Categorization. IEICE Transactions on Information and Systems 2014, Vol. 97, No. 2, pp. 245-254, DOI: 10.1587ttransinf.E97.D.245.
• [28] Tao. S.: Large margin DragPushing strategy for centroid text categorization. Expert Systems with Applications 2007, Vol. 33, No. 1. pp. 215-220, DOI: 10.1016j.eswa.2006.04.008.
• [29] Tao. S.: Using error-correcting output codes with model-refinement to boost centroid text classifier. Proceedings of the 45th Annual Meeting of the ACL on Interactive Poster and Demonstration Sessions, Praga, 2007. pp. 81-84.
• [30] Pang, G.; Jiang. S.: A generalized cluster centroid based classifier for text categorization. Information Processing and Management 2013, Vol. 2, pp. 576-586, DOI: 10.1016j. ipm.2012.10.003.
• [31] Peng, L.; Liu, Y.: Gravitation Theory Based Model for Multi-Label Classification. International Journal of Computers Communications Control 2017, Vol. 12, No. 5, pp. 689-703, DOI: 10.15837ijccc.2017.5.2926.
• [32] Reyes, O.; Cano, A.; Fardoun, H. M.; Ventura, S.: A Iocally weighted learning method based on a data gravitation model for multi-target regression. International Journal of Computational Intelligence Systems 2018, Vol. 11, No. 1, pp. 282-295, DOI: 10.2991ijcis.11.1.22.
• [33] Rybak, Ł.; Dudczyk, J.: Various approaches to modelling of the mass using the size of the class in the Centroid Based Classification. Elektronika: konstrukcje, technologie, zastosowania 2019, Vol. 60, No. 6, pp. 62-65, DOI: 10.1519913.2019.6.13.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).