Registered in RSCI
Journal" Herald of KRSU", 2019 year, Tom 19, no 8, p. 160- 164. UDC 539.42 : 519.67
Information about authors:

Чешев Михаил Евгеньевич – м.н.с. лаборатории моделирования энергонасыщенных сред ФГБУН Научной станции РАН в г. Бишкеке, ст. лаборант лаборатории плазменных технологий КРСУ, тел.: +996-554 383001, e-mail: cheshevmihail@yandex.ru
Кульков Дмитрий Сергеевич – ст. инженер лаборатории моделирования энергонасыщенных сред ФГБУН Научной станции РАН в г. Бишкеке, тел.: +996-555 901975, e-mail: kulkov.dmitrii@yandex.ru

КЛАСТЕРНЫЙ АНАЛИЗ КЛЮЧЕВЫХ ПРИЗНАКОВ АКУСТОЭМИССИОННЫХ СИГНАЛОВ ОБРАЗЦОВ ГОРНЫХ ПОРОД. ЧАСТЬ 1. ОБЗОР АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ
Чешев М.Е., Кульков Д.С.
Abstract in Russian:

Проведен анализ алгоритмов кластеризации библиотеки машинного обучения scikit-learn на синтетических наборах данных, имитирующих различные варианты кластеризации. В результате анализа были выбраны два алгоритма: алгоритм, основанный на анализе спектра матрицы схожести (Spectral clustering) и плотностный алгоритм кластеризации пространственных данных с присутствием шума – density-based spatial clustering of applications with noise (DBSCAN). Применение этих алгоритмов для выделения полезных сигналов акустической эмиссии на образце гранита и сравнение скорости их работы показало, что алгоритм DBSCAN работает
в среднем на два порядка быстрее, чем алгоритм Spectral clustering. Область выделения полезных сигналов акустической эмиссии обеими алгоритмами отличается: Р1≈50–100, Р2≈40–100 для DBSCAN и Р1≈5–100, Р2≈50– 100 для Spectral clustering. Полученный таким образом оптимальный алгоритм кластеризации используется в дальнейшем для выделения полезных сигналов акустической эмиссии образцов горных пород.

Keywords in Russian:

алгоритмы; кластеры; кластерный анализ; набор данных; ключевые признаки; акустическая эмиссия

ТОО ТЕКТЕРИНИН ҮЛГҮЛӨРҮНҮН АКУСТИКАЛЫК ЭМИССИЯ СИГНАЛДАРЫНЫН МААНИЛҮҮ БЕЛГИЛЕРИНЕ КЛАСТЕРДИК ТАЛДОО ЖҮРГҮЗҮҮ. 1-БӨЛҮК. КЛАСТЕРЛӨӨ АЛГОРИТМДЕРИНЕ СЕРЕП САЛУУ
Чешев М.Е., Кульков Д.С.
Astract in Kyrgyz :

Бул макалада ар түрдүү кластерлөө варианттарын имитациялоочу синтетикалык маалыматтар топтомунда, scikit-learn машиналык үйрөнүү китепканасынын кластерлөө алгоритмдерине талдоо жүргүзүлдү. Талдоо жүргүзүүнүн жыйынтыгында эки алгоритм тандалып алынды: окшоштук матрицасынын спектрине талдоо жүргүзүү ыкмасына негизделген алгоритм (Spectralclustering) жана чуу аралашкан мейкиндик маалыматтарын класстерлөөнүн тыгыздык алгоритми (DBSCAN). Бул алгоритмдерди гранит үлгүсүнүн акустикалык эмиссиясынын пайдалуу сигналдарын бөлүп чыгуу үчүн колдонуу жана алардын иштөө ылдамдыгын салыштыруу иштери төмөнкүдөй натыйжа берди: DBSCAN алгоритми SpectralClustering алгоритмине караганда орточо эсеп менен эки жүз эсе тезирээк болду. Бул эки алгоритмди колдонуу аркылуу бөлүнүп чыккан пайдалуу акустикалык эмиссия сигналдарынын аймактары да бири-биринен айырмаланат: DBSCAN үчүн P1≈50-100, Р2≈40-100 жана SpectralClustering алгоритми үчүн P1≈5-100, Р2≈50-100. Мындай жол менен талдалып алынган оптималдуу кластердик алгоритми тоотектеринин үлгүлөрүнүн пайдалуу акустикалык эмиссия сигналдарын бөлүп чыгуу үчүн колдонулат.

Keywords in Kyrgyz:

алгоритмдер; кластерлер; кластердик анализ; маалымат топтому; түйүндүү өзгөчөлүктөр; аку; стикалык эмиссия

CLUSTER ANALYSIS OF KEY FEATURES OF ACOUSTIC EMISSION SIGNALS IN ROCK SPECIMENS. PART 1: OVERVIEW OF CLUSTERING ALGORITHMS
Cheshev M.E., Kulkov D.S.
Abstract in English:

The authors analyzed application of clustering algorithms of scikit-learn machine learning library on synthetic data sets that simulate various clusterization. As a result of analysis we selected two clustering algorithms: algorithm based on analysis of similarity matrix spectrum (Spectral clustering) and density algorithm based on clustering of spatial data with presence of noise (DBSCAN). The application of these algorithms for extracting useful acoustic emission signals of granite specimen and comparing the speed of their work showed that DBSCAN algorithm works on average two orders of magnitude faster than Spectral Clustering algorithm. Range of useful acoustic emission signals is different for both of algorithms – P1≈50–100, P2≈40–100 for DBSCAN and P1≈5–100, P2≈50–100 for Spectral clustering. The optimal clustering algorithm obtained in this way is then used to retrieve useful acoustic emission signals of rock specimens.

Keywords in English:

algorithms; clusters; cluster analysis; data set; key features; acoustic emission

Copy the output according to GOST
Cheshev M.E. CLUSTER ANALYSIS OF KEY FEATURES OF ACOUSTIC EMISSION SIGNALS IN ROCK SPECIMENS. PART 1: OVERVIEW OF CLUSTERING ALGORITHMS / M.E. Cheshev, D.S. Kulkov // Herald of KRSU. 2019. T. 19. No 8. S. 160- 164.