KFU. Card publication. Формирование нечеткой базы знаний для проверки подлинности банкнот

KAZAN
FEDERAL UNIVERSITY

- RUS
- 中文
- ES

ФОРМИРОВАНИЕ НЕЧЕТКОЙ БАЗЫ ЗНАНИЙ ДЛЯ ПРОВЕРКИ ПОДЛИННОСТИ БАНКНОТ

Form of presentation

Articles in Russian journals and collections

Year of publication

2023

Язык

русский

Authors, employees of KFU

Gapsalamov Almaz Rafisovich, author

Other authors

Katasyov Aleksey Sergeevich, author

Bibliographic description in the original language

Katasyov A.S., Gapsalamov A.R., Katasyova D.V Formirovanie nechetkoy bazy znaniy dlya proverki podlinnosti banknot // Vestnik tekhnologicheskogo universiteta. 2023. T. 26. № 5. S. 50-54.

Annotation

В данной статье решается задача разработки интеллектуального инструмента для проверки подлинности банкнот. Анализ существующих способов проверки банкнот показал актуальность формирования нечеткой базы знаний для решения поставленной задачи. Указано на целесообразность формирования базы знаний на основе обучения нечеткой нейронной сети ANFIS. В качестве исходных данных для построения нечеткой нейронной сети и формирования базы знаний использован готовый набор данных из репозитория машинного обучения UCI. Данные представлены в виде набора характеристик, извлеченных из изображений банкнот. Произведена подготовка данных к анализу. Сформированы обучающая и тестовая выборки. Объем обучающей выборки составил 1097 записей, а тестовой - 274. Произведено построение нейронечеткой модели в среде MatLab. В результате сформировано 81 нечетко-продукционное правило. Для оценки адекватности сформированной базы знаний рассчитаны значения ошибок 1-го и 2-го рода на тестовой выборке данных. Число ошибок 1-го рода составило 0,36%, а 2-го рода - 0,73%. Общая точность классификации при тестировании сформированной базы знаний составила 97,81%. Для дополнительной оценки адекватности базы знаний произведено сравнение достигнутой точности классификации с точностью других методов классификации. Нейросетевая модель показала точность классификации 98,54%, модель дерева решений - 94,89%, а модель логистической регрессии - 96,72%. Окончательная оценка адекватности базы знаний проведена на основе расчета и сравнения ошибок 1-го и 2-го рода для каждой из построенных моделей. На основании результатов проведенных исследований сделан вывод об адекватности базы знаний и возможности ее эффективного использования для решения задачи распознавания подлинности банкнот.

Keywords

НЕЙРО-НЕЧЕТКАЯ МОДЕЛЬ, НЕЧЕТКАЯ БАЗА ЗНАНИЙ, ПРОВЕРКА ПОДЛИННОСТИ БАНКНОТ

The name of the journal

Вестник Технологического университета

Please use this ID to quote from or refer to the card

https://repository.kpfu.ru/eng/?p_id=284741&p_lang=2

Full metadata record

Field DC	Value	Language
dc.contributor.author	Gapsalamov Almaz Rafisovich	ru_RU
dc.contributor.author	Katasyov Aleksey Sergeevich	ru_RU
dc.date.accessioned	2023-01-01T00:00:00Z	ru_RU
dc.date.available	2023-01-01T00:00:00Z	ru_RU
dc.date.issued	2023	ru_RU
dc.identifier.citation	Катасёв А.С., Гапсаламов А.Р., Катасёва Д.В Формирование нечеткой базы знаний для проверки подлинности банкнот // Вестник технологического университета. 2023. Т. 26. № 5. С. 50-54.	ru_RU
dc.identifier.uri	https://repository.kpfu.ru/eng/?p_id=284741&p_lang=2	ru_RU
dc.description.abstract	Вестник Технологического университета	ru_RU
dc.description.abstract	В данной статье решается задача разработки интеллектуального инструмента для проверки подлинности банкнот. Анализ существующих способов проверки банкнот показал актуальность формирования нечеткой базы знаний для решения поставленной задачи. Указано на целесообразность формирования базы знаний на основе обучения нечеткой нейронной сети ANFIS. В качестве исходных данных для построения нечеткой нейронной сети и формирования базы знаний использован готовый набор данных из репозитория машинного обучения UCI. Данные представлены в виде набора характеристик, извлеченных из изображений банкнот. Произведена подготовка данных к анализу. Сформированы обучающая и тестовая выборки. Объем обучающей выборки составил 1097 записей, а тестовой - 274. Произведено построение нейронечеткой модели в среде MatLab. В результате сформировано 81 нечетко-продукционное правило. Для оценки адекватности сформированной базы знаний рассчитаны значения ошибок 1-го и 2-го рода на тестовой выборке данных. Число ошибок 1-го рода составило 0,36%, а 2-го рода - 0,73%. Общая точность классификации при тестировании сформированной базы знаний составила 97,81%. Для дополнительной оценки адекватности базы знаний произведено сравнение достигнутой точности классификации с точностью других методов классификации. Нейросетевая модель показала точность классификации 98,54%, модель дерева решений - 94,89%, а модель логистической регрессии - 96,72%. Окончательная оценка адекватности базы знаний проведена на основе расчета и сравнения ошибок 1-го и 2-го рода для каждой из построенных моделей. На основании результатов проведенных исследований сделан вывод об адекватности базы знаний и возможности ее эффективного использования для решения задачи распознавания подлинности банкнот.	ru_RU
dc.language.iso	ru	ru_RU
dc.subject	НЕЙРО-НЕЧЕТКАЯ МОДЕЛЬ	ru_RU
dc.subject	НЕЧЕТКАЯ БАЗА ЗНАНИЙ	ru_RU
dc.subject	ПРОВЕРКА ПОДЛИННОСТИ БАНКНОТ	ru_RU
dc.title	Формирование нечеткой базы знаний для проверки подлинности банкнот	ru_RU
dc.type	Articles in Russian journals and collections	ru_RU