Науковий вісник НГУ

Розробка кластеризатора параметрів вибухонебезпечних об’єктів на основі комплексного показника

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2025

Останнє оновлення: 26 серпня 2025

Опубліковано: 30 листопада -0001

Перегляди: 1710

Authors:

О. І. Лактіонов*, orcid.org/0000-0002-5230-524X, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А. С. Янко, orcid.org/0000-0003-2876-9316, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail:  Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н. М. Педченко, orcid.org/0000-0002-0018-4482, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Corresponding author e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (4): 160 - 167

https://doi.org/10.33271/nvngu/2025-4/160

Abstract:

Мета. Підвищення ефективності кластеризації параметрів вибухонебезпечних об’єктів за рахунок розробки елементів гібридного кластеризатора.

Методика. Методом математичного моделювання розроблено класифікатор вибухонебезпечних об’єктів на основі комплексного показника, що є основним принципом удосконалення класифікатора. Обробка даних здійснювалася із використанням мови програмування Python і бібліотек scikit-learn. Методологія дослідження передбачає групування вибухонебезпечних об’єктів на два кластери з метою удосконалення існуючих алгоритмів виявлення вибухонебезпечних об’єктів.

Результати. Комплексний показник демонструє стандартне відхилення на 8,2 % менше від існуючого. Удосконалений алгоритм кластеризації демонструє значення Девіса-Болдіна 0,517; 0,525; у той час як існуючі – 0,572 і 0,572 відповідно. Це вказує на те, що вихідні оцінки нового алгоритму є менш залежні від шумів, що покращує якість кластеризації та зменшує кількість помилок під час практичного використання.

Наукова новизна. Запропоновано кластеризатор параметрів вибухонебезпечних об’єктів, котрий, на відміну від існуючих, ураховує в якості вхідних даних комплексні оцінки, побудовані на основі лінійної моделі з комбінованими параметрами.

Практична значимість. Полягає в тому, що удосконалення існуючих алгоритмів виявлення вибухонебезпечних об’єктів дозволить підвищити ефективність комп’ютерного зору при вирішенні задач розвідки, розмінування. Запропоновані рішення можуть бути використані як додаток до існуючих підходів із моніторингу, керування національною безпекою для запобігання надзвичайним ситуаціям.

Ключові слова: лінійна модель, кластеризатор параметрів, вибухонебезпечний об’єкт, комп’ютерний зір, штучний інтелект

References.

1. Onyshchenko, S., Bilko, S., Yanko, A., & Sivitska, S. (2023). Business Information Security. In V. Onyshchenko, G. Mammadova, S. Sivitska, & A. Gasimov (Eds.). Proceedings of the 4 ^th International Conference on Building Innovations. ICBI 2022. Lecture Notes in Civil Engineering, 299, 769-778. Springer, Cham. https://doi.org/10.1007/978-3-031-17385-1_65

2. Cascavilla, G., Tamburri, D. A., Leotta, F., Mecella, M., & Van Den Heuvel, W. (2023). Counter-terrorism in cyber-physical spaces: Best practices and technologies from the state of the art. Information and Software Technology, 107260. https://doi.org/10.1016/j.infsof.2023.107260

3. Rezaei, H., & Daneshpour, N. (2023). Mixed data clustering based on a number of similar features. Pattern Recognition, 109815. https://doi.org/10.1016/j.patcog.2023.109815

4. Li, L., Lyu, X., Liang, S., & Liu, Z. (2023). Application of fluorescence sensing technology in trace detection of explosives. Dyes and Pigments, 220, 111651. https://doi.org/10.1016/j.dyepig.2023.111651

5. Denny, J. W., Dickinson, A. S., & Langdon, G. S. (2021). Defining blast loading ‘zones of relevance’ for primary blast injury research: A consensus of injury criteria for idealised explosive scenarios. Medical Engineering & Physics, 93, 83-92. https://doi.org/10.1016/j.medengphy.2021.05.014

6. Yanko, A., Krasnobayev, V., & Martynenko, A. (2023). Influence of the number system in residual classes on the fault tolerance of the computer system. Radioelectronic and Computer Systems, (3), 159-172. https://doi.org/10.32620/reks.2023.3.13

7. Hlushko, А. D. (2013). Directions of Efficiency of State Regulatory Policy in Ukraine. World Applied Sciences Journal. Pakistan: International Digital Organization for Scientific Information, 27(4), 448-453. Retrieved from https://idosi.org/wasj/wasj27(4)13/6.pdf

8. Elbasuney, S., Mahmoud, A., & El-Sharkawy, Y. H. (2023). Novel molecular laser-induced photoluminscence signature with hyperspectral imaging for instant and remote detection of trace explosive materials. Talanta, 24978. https://doi.org/10.1016/j.talanta.2023.124978

9. Shefer, O., Laktionov, O., Pents, V., Hlushko, A., & Kuchuk, N. (2024). Practical principles of integrating artificial intelligence into the technology of regional security predicting. Advanced Information Systems, 8(1), 86-93. https://doi.org/10.20998/2522-9052.2024.1.11

10.      Wang, H.-Y., Wang, J.-S., & Wang, G. (2023). Multi-fuzzy clustering validity index ensemble: A Dempster-Shafer theory-based parallel and series fusion. Egyptian Informatics Journal, 24(4), 100417. https://doi.org/10.1016/j.eij.2023.100417

11.      Kaliukh, I., Dunin, V., Marienkov, M., Trofymchuk, O., & Kurash, S. (2023). Peculiarities of Applying the Risk Theory and Numerical Modeling to Determine the Resource of Buildings in a Zone of Influence of Military Actions. Cybernetics and Systems Analysis. https://doi.org/10.1007/s10559-023-00596-w

12.      Ma, C., Zhuo, L., Li, J., Zhang, Y., & Zhang, J. (2023). Occluded prohibited object detection in X-ray images with global Context-aware Multi-Scale feature Aggregation. Neurocomputing, 519, 1-16. https://doi.org/10.1016/j.neucom.2022.11.034

13.      Shan, Y., Li, S., Li, F., Cui, Y., Li, S., Chen, M., & He, X. (2023). Fuzzy self-consistent clustering ensemble fx. Applied Soft Computing, 111151. https://doi.org/10.1016/j.asoc.2023.111151

14.      Wang, H., Wang, Q., Miao, Q., & Ma, X. (2023). Joint learning of data recovering and graph contrastive denoising for incomplete multi-view clustering. Information Fusion, 102155. https://doi.org/10.1016/j.inffus.2023.102155

15.      Kniazieva, N., Kotlyk, S., & Kalchenko, A. (2019). Method of Assessment and Improvement the Quality of Multimedia Services. 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). IEEE. https://doi.org/10.1109/picst47496.2019.9061492

16.      Onyshchenko, S., Haitan, O., Yanko, A., Zdorenko, Yu., & Rudenko, O. (2024). Method for detection of the modified DDoS cyber attacks on a web resource of an Information and Telecommunication Network based on the use of intelligent systems. Modern Data Science Technologies Workshop (MoDaST 2024), Lviv, Ukraine, May 31–June 1, 2024, (pp. 219-235). Retrieved from https://ceur-ws.org/Vol-3723/paper12.pdf

17.      Kampmeier, M., van der Lee, E. M., Wichert, U., & Greinert, J. (2020). Exploration of the munition dumpsite Kolberger Heide in Kiel Bay, Germany: Example for a standardised hydroacoustic and optic monitoring approach. Continental Shelf Research, 198, 104108. https://doi.org/10.1016/j.csr.2020.104108

18.      Bespalko, R., Hutsul, T., Kazimir, I., & Myronchuk, K. (2023). Modern approaches to assessing the priority of humanitarian demining. Technical Sciences and Technologies, 1(31), 146-157. https://doi.org/10.25140/2411-5363-2023-1(31)-146-157

19.      Kotsiuruba, V. І., Krivtsun, V. І., Miroshnichenko, O. V., & Solodeeva, L. V. (2022). Problem formulation of the creation of prospective remote-controlled demining complexes on the base of the results analysis of combat operations in Ukraine. Collection of scientific works of the Military Institute of Kyiv National Taras Shevchenko University, (76), 16-27. https://doi.org/10.17721/2519-481x/2022/76-02

20.      Sowmiya, N., Gupta, N. S., Natarajan, E., Valarmathi, B., Elamvazuthi, I., Parasuraman, S., …, & Abraham Gnanamuthu, E. M. (2022). COIN: Correlation Index-Based Similarity Measure for Clustering Categorical Data. Mathematical Problems in Engineering, 2022, 1-12. https://doi.org/10.1155/2022/4414784

21.      Koretska, I., & Zinchenko, T. (2018). Evaluation of research samples by nonlinear quality criteria. Vsesvitnia nauka u 2018 rotsi, 2226.

22.      Yin, H., Aryani, A., Petrie, S., Nambissan, A., Astudillo, A., & Cao, S. (2024). A Rapid Review of Clustering Algorithms/Hui Yin, et al. arXiv.org. https://doi.org/10.48550/arXiv.2401.07389

23.      Land Mines Detection (d. b.). Kaggle: Your Machine Learning and Data Science Community. Retrieved from https://www.kaggle.com/datasets/ritwikb3/land-mines-detection

24.      Müller, A. C., & Guido, S. (2018). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, Incorporated.

25.      Davies_bouldin_score. scikit-learn. Retrieved from https://scikit-learn.org/1.5/modules/generated/sklearn.metrics.davies_bouldin_score.html

26.      Silhouette_score. scikit-learn. Retrieved from https://scikit-learn.org/1.5/modules/generated/sklearn.metrics.silhouette_score.html

27.      Zhao, H. (2022). Design and implementation of an improved K-Means clustering algorithm. Journal of Mobile Information Systems, 6, 1-10. https://doi.org/10.1155/2022/6041484

28.      Laktionov, O., Yanko, A., & Pedchenko, N. (2024). Identification of air targets using a hybrid clustering algorithm. Eastern-European Journal of Enterprise Technologies, 5(4(131), 89-95. https://doi.org/10.15587/1729-4061.2024.314289

• < Попередня
• Наступна >