КФУ. Карточка публикации. Формирование нечеткой базы знаний для проверки подлинности банкнот

КАЗАНСКИЙ
ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ

RUS

- EN
- 中文
- ES

ФОРМИРОВАНИЕ НЕЧЕТКОЙ БАЗЫ ЗНАНИЙ ДЛЯ ПРОВЕРКИ ПОДЛИННОСТИ БАНКНОТ

Форма представления

Статьи в российских журналах и сборниках

Год публикации

2023

Язык

русский

Авторы, сотрудники КФУ

Гапсаламов Алмаз Рафисович, автор

Другие авторы

Катасёв Алексей Сергеевич, автор

Библиографическое описание на языке оригинала

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.

Аннотация

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.

Ключевые слова

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

Название журнала

Вестник Технологического университета

Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на эту карточку

https://repository.kpfu.ru/?p_id=284741

Полная запись метаданных

Поле DC	Значение	Язык
dc.contributor.author	Гапсаламов Алмаз Рафисович	ru_RU
dc.contributor.author	Катасёв Алексей Сергеевич	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/?p_id=284741	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	Статьи в российских журналах и сборниках	ru_RU