Information-extreme machine training system of functional diagnosis system with hierarchical data structure

Abstract

Context. The problem of information-extreme machine learning of the functional diagnosis system is considered by the example of recognizing the technical state of a laser printer by typical defects of the printed material. The object of the research is the process of hierarchical machine learning of the functional diagnosis system of an electromechanical device. Objective. The main objective is to improve the functional efficiency of machine learning during functional diagnostics system retraining using automatically forming a new hierarchical data structure for an expanded alphabet of recognition classes. Method. A method of information-extreme hierarchical machine learning of the system of functional diagnosis of a laser printer based on typical defects of the printed material is proposed. The method was developed with functional approach of modeling the cognitive processes of natural intelligence, which makes it possible to give the diagnostic system the properties of adaptability under arbitrary initial conditions for the formation of images of printing defects and flexibility during retraining of the system due to an increase in the power of the alphabet of recognition classes. The method is based on the principle of maximizing the amount of information in the process of machine learning. The process of information-extreme machine learning is considered as an iterative procedure for optimizing the parameters of the functioning of the functional diagnostics system according to the information criterion. As a criterion for optimizing machine learning parameters, a modified Kullback’s information measure is considered, which is a functional of the exact characteristics of classification solutions. According to the proposed categorical functional model, an information-extreme machine learning algorithm has been developed based on a hierarchical data structure in the form of a binary decomposition tree. The use of such a data structure makes it possible to split a large number of recognition classes into pairs of nearest neighbors, for which the optimization of machine learning parameters is carried out according to a linear algorithm of the required depth.

Results. Information, algorithmic software for the system of functional diagnostics of a laser printer based on images of typical defects in printed material has been developed. The influence of machine learning parameters on the functional efficiency of the system of functional diagnostics of a laser printer based on images of defects in printed material has been investigated. Conclusions. The results of physical modeling have confirmed the efficiency of the proposed method of information-extreme machine learning of the system of functional diagnosis of a laser printer based on typical defects in printed material and can be recommended for practical use. The prospect of increasing the functional efficiency of information-extremal learning of the functional diagnostics system is to increase the depth of machine learning by optimizing additional parameters of the system’s functions, including the parameters of the formation of the input training matrix.

Розглянуто задачу інформаційно-екстремального машинного навчання системи функціонального діагностування на прикладі розпізнавання технічного стану лазерного принтера за типовими дефектами друкованого матеріалу. Об’єктом дослідження є процес ієрархічного машинного навчання системи функціонального діагностування електромеханічного пристрою. Мета.Підвищення функціональної ефективності машинного навчання системи функціонального діагностування шляхом автоматичного формування нової ієрархічної структури даних при перенавчанні системи через розширення алфавіту класів розпізнавання. Метод. Запропоновано метод інформаційно-екстремального ієрархічного машинного навчання системи функціонального діагностування лазерного принтеру за типовими дефектами друкованого матеріалу. Метод розроблено в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту, що дозволяє надати системі діагностування властивості адаптивності при довільних початкових умовах формування зображень дефектів друку та гнучкості при перенавчанні системи через збільшення потужності алфавіту класів розпізнавання. В основу методу покладено принцип максимізації кількості інформації в процесі машинного навчання. Процес інформаційно-екстремального машинного навчання розглядається як ітераційна процедура оптимізації параметрів функціонування системи функціонального діагностування за інформаційним критерієм. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик класифікаційних рішень. Згідно із запропонованою категорійною функціональною моделлю розроблено алгоритм інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Застосування такої структури даних дозволяє розбивати велику кількість класів розпізнавання на пари найближчих сусідів, для яких оптимізація параметрів машинного навчання здійснюється за лінійним алгоритмом необхідної глибини. Результати. Розроблено інформаційне, алгоритмічне і програмне забезпечення системи функціонального діагностування лазерного принтеру за зображеннями типових дефектів друкованого матеріалу. Досліджено вплив параметрів машинного навчання на функціональну ефективність системи функціонального діагностування лазерного принтеру за зображеннями дефектів друкованого матеріалу. Висновки. Результати фізичного моделювання підтвердили працездатність запропонованого методу інформаційно-екстремального машинного навчання системи функціонального діагностування лазерного принтеру за типовими дефектами друкованого матеріалу і можуть бути рекомендовані для практичного використання. Перспектива підвищення функціональної ефективності інформаційно-екстремального машинного навчання системи функціонального діагностування полягає в збільшенні глибини машинного навчання шляхом оптимізації додаткових параметрів функціонування системи, включаючи параметри формування вхідної навчальної матриці.