НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
doi: 10.17586/2226-1494-2015-15-1-122-129
УДК 004.942, 001.891.57
СРАВНЕНИЕ РАЗЛИЧНЫХ ПОДХОДОВ К МУЛЬТИКЛАССОВОМУ СЛИЯНИЮ
ИНФОРМАЦИИ В
C-OTDR СИСТЕМАХ ДЛЯ УДАЛЕННОГО МОНИТОРИНГА ПРОТЯЖЕННЫХ ОБЪЕКТОВ
Читать статью полностью
Ссылка для цитирования: Тимофеев А.В. Сравнение различных подходов к мультиклассовому слиянию информации в C-OTDR системах для удаленного мониторинга протяженных объектов // Научно-технический вестник информационных технологий, механики и оптики. 2015. Том 15. № 1. С. 122–129
Аннотация
Рассматривается проблема выбора оптимального способа слияния информации, поступающей от множества каналов системы когерентной оптической рефлектометрии во временной области (C-OTDR). Каждый из этих каналов является источником данных для автоматических классификаторов источников упругой сейсмоакустической вибрации. Эти классификаторы образуют ансамбль классификаторов. Были рассмотрены ансамбли липшицевых классификаторов. В этом случае целью слияния информации является построение интегрального классификатора, предназначенного для эффективной классификации целевых сейсмоакустических событий. Сравнивались следующие методы: поиск совпадений на ансамбле классификаторов (MPOEC), бустинг с линейным программированием (LP-Boost) (LP-β и LP-B модификации), обучение с множественными ядерными функциями (MKL) и метод обратных констант Липшица (WILC). Выделен WILC как новый подход к оптимальному слиянию информации на ансамбле липшицевых классификаторов. Обсуждены основы работы каждого из методов с указанием специфических особенностей. Показано, что все методы основаны на сведении проблемы выбора параметров выпуклой оболочки кА.В. Тимофеев Научно-технический вестник информационных технологий, механики и оптики, 2015, том 15, № 1 123 оптимизационной задаче. Все рассмотренные подходы могут успешно использоваться при обработке информации в C-OTDR системах. Представлены результаты практического использования этих методов.
Список литературы
1. Choi K.N., Juarez J.C., Taylor H.F. Distributed fiber-optic pressure/seismic sensor for low-cost monitoring // Proceedings of SPIE - The International Society for Optical Engineering. 2003. V. 5090. P. 134–141. doi: 10.1117/12.484911
2. Timofeev A.V., Egorov D.V. Multichannel classification of target signals by means of an SVM ensemble in C-OTDR systems for remote monitoring of extended objects // Proc. MVML-2014. Prague, 2014. V. 1. P. 22–32.
3. Timofeev A.V. The guaranteed estimation of the Lipschitz classifier accuracy: confidence set approach // Journal of the Korean Statistical Society. 2012. V. 41. N 1. P. 105–114. doi: 10.1016/j.jkss.2011.07.005
4. Von Luxburg U., Bousquet O. Distance-based classification with Lipschitz functions // Journal of Machine Learning Research. 2004. V. 5. P. 669–695.
5. Murty M.N., Devi V.S. Pattern Recognition: an Algorithmic Approach (Undergraduate Topics in Computer Science). London: Springer, 2011. 263 p.
6. Hofmann T., Sholkopf B., Smola A.J. Kernel methods in machine learning // Annals of Statistics. 2008. V. 36. N 3. P. 1171–1220. doi: 10.1214/009053607000000677
7. Lanckriet G.R.G., Cristianini N., Bartlett P., Et Ghaoui L., Jordan M.I. Learning the kernel matrix with semidefinite programming // Journal of Machine Learning Research. 2004. V. 5. P. 27–72.
8. Bach F.R., Lanckriet G.R.G., Jordan M.I. Multiple kernel learning, conic duality, and the SMO algorithm // Proc. 21st Int. Conf. on Machine Learning (ICML 2004). Banff, Canada, 2004. P. 41–48.
9. Hears M.A., Dumais S.T., Osman E., Platt J., Scholkopf B. Support vector machines // IEEE Intelligent Systems. 1998. V. 13. N 4. P. 18–28. doi: 10.1109/5254.708428
10. Demiriz A., Bennett K.P., Shawe-Taylor J. Linear programming boosting via column generation // Machine Learning. 2002. V. 46. N 1-3. P. 225–254. doi: 10.1023/A:1012470815092
11. Gehler P., Nowozin S. On feature combination for multiclass object classification // Proc. ICCV. 2009. P. 47–50.
12. Weston J., Watkins C. Support vector machines for multi-class pattern recognition // Proc. 7th European Symposium on Artificial Neural Networks. 1999. P. 219–224.
13. Mallat S.G., Zhang Z. Matching pursuit with time-frequency dictionaries // IEEE Transaction on Signal Processing. 1993. V. 41. N 12. P. 3397–3415. doi: 10.1109/78.258082
14. Mao S., Jiao L.C., Xiong L., Gou S. Greedy optimization classifiers ensemble based on diversity // Pattern Recognition. 2011. V. 44. N 6. P. 1245–1261.
15. Blimes J.A. A gentle tutorial of the EM algorithm and its application to parameter estimation for Gaussian mixture and hidden Markov models // Technical Report TR-97-021. Berkley, California: International Computer Science Institute, 1998. P. 97–021.