A graph clustering-based method of the assessment of rough sets efficiency in the diagnostics of analog systems

• Autorzy: Bilski P. , Wojciechowski J.

Warianty tytułu

PL

Metoda oceny efektywności zbiorów rozmytych w diagnostyce systemów analogowych wykorzystująca grupowanie grafowe

• Języki publikacji: EN

Abstrakty

EN

The paper presents the method of analyzing the rough-sets based diagnostic module using the graph clustering algorithm. The former is used to extract knowledge from the learning data set and use it to process the testing data set. The latter is used to find dependencies in sets that make diagnostic process difficult. This way the information about the structure of the set influencing diagnostic efficiency is obtained. Both algorithms are tested on the example of the electronic circuit - the fifth order lowpass Butterworth filter. Analysis of the algorithms efficiency is performed and remarks for the future applications presented.

PL

W artykule przedstawiono opartą na grupowaniu grafowym analizy modułu diagnostyki systemów analogowych wykorzystującego zbiory rozmyte. Te ostatnie są wykorzystane do budowy modułu diagnostycznego poprzez uzyskanie wiedzy (w postaci reguł), która stosowana jest do analizy zbioru testowego. Grupowanie grafowe zostało użyte do znalezienia w zbiorach zależności pomiędzy przykładami należącymi do różnych kategorii, co utrudnia poprawną klasyfikację uszkodzeń. Dzięki temu możliwa jest ocena efektywności modułu diagnostycznego. Oba algorytmy zostały przetestowane na filtrze dolnoprzepustowym Butterwortha piątego rzędu. Przedstawiono przebieg weryfikacji skuteczności procesu diagnostycznego oraz wyciągnięto wnioski odnośnie przewidywanych zastosowań praktycznych podejścia.

Słowa kluczowe

EN

diagnostics; analog systems; artificial intelligence; rough sets; unsupervised learning

PL

diagnostyka; systemy analogowe; sztuczna inteligencja; zbiory przybliżone; uczenie bez nadzoru

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2009
• Tom: Vol. 50, nr 4
• Strony: 32--37
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Bilski P.

autor

Wojciechowski J.

• Politechnika Warszawska, Instytut Radioelektroniki

Bibliografia

• [1] Maidon Y., Jervis B. W., Fouillat P., Lesage S.: Using Artificial Neural Networks or Lagrange Interpolation to Characterize the Faults in an Analog Circuit: An Experimental Study. IEEE Trans. Instr. Meas., vol. 48, no. 5, Oct. 1999, pp. 932-938.
• [2] Tang Bin, Hu Guangrui, Mao Xiaoquan: Induction of decision trees based on a fuzzy neural network. Journal of Electronics, vol. 19, no 1, Jan. 2002, pp. 68-70.
• [3] Bilski P., Wojciechowski J.: Automated Diagnostics of Analog Systems Using Fuzzy Logic Approach. IEEE Trans. Instr. and Meas., Dec. 2007, Vol. 56, Issue 6, pp. 2175-2185.
• [4] Woolery L., Grzymała-Busse J. W.: Machine learning for an expert system predict preterm birth risk. Journal of the American Medical Informatics Association 1, pp. 439-446.
• [5] Brindle D.: Speaker-Independent Speech Recognition by Rough Sets Analysis. Soft Computing: Rough Sets, Fuzzy Logic, Neural Networks, Uncertainty Management, Knowledge Discovery, Simulation Councils Inc., San Diego, Canada, pp. 101-106.
• [6] Komorowski J., Pawlak Z., Polkowski L., Skowron A.: Rough Sets: A Tutorial, [online]. Available: citeseer.ist.psu.edu/komorowski98rouah.html
• [7] Ohrn A.: ROSETTATechnical reference Manual. May 2001. [on-line]. Available: rosetta.lcb.uu.se/general/resources/manual.pdf.
• [8] Bilski P., Wojciechowski J., Walczak Z.: Diagnostics of Analog Systems Using Rough Sets. ECCTD'05 Conf., Cork, Ireland, Aug. 30-Sept. 1, 2005, vol. III, pp. 201-204.
• [9] Kohavi R.: A study of cross-validation and bootstrap for accuracy estimation and model selection. Proc. 14th International Joint Conference on Artificial Intelligence, 1995, pp. 1137-1143.
• [10] Aslam J. A., Pelenkhov E., Rus D.: The Star Clustering Algorithm for Static and Dynamic Information Organization. Journal of Graph Algorithms and Applications, 2004, vol. 8, no. 1, pp. 95-129.
• [11] Bilski P.: Application of the Graph Clustering Algorithm to Analog Systems Diagnostics. IMTC'07 Conf. Warsaw, Poland, May 1-3, 2007.
• [12] Rabarijoely S., Bilski P., Falkowski T.: The usage of the graph clustering algorithm to the recognition of geotechnical layers. Ann. Warsaw Univ. of Life Sci. - SGGW, Land Reclm., no 38, 2007, pp. 57-68.
• [13] Mancini R.: Op Amps for Everyone. 2nd Ed., Newnes, 2003.