Багатокласове розпізнавання технічного стану об‘єктів класифікатором на основі імовірнісної нейронної мережі

The paper deals with the efficiency study of the classifier developed based on the probabilistic neural network for multi-class diagnostics of a complex spatial object in the presence of multi-site damage. For recognition, the multidimensional diagnostic feature vector is used, the values of the features may have a deviation of ±5 % for the defect-free condition of an object, and exceed the permissible deviation in case of occurrence and development of damage. For the vector containing 5 diagnostic features, 6 classes of technical condition of an object are substantiated. Formation of sets of training and test input vectors, used for the classifier training and testing is performed. In order to evaluate the multi-class recognition efficiency, the coefficient, which is a percentage of the probability of correct classification of test vectors, is used. The analysis of the dependence of the efficiency coefficient on the characteristics of the classifier and the set of training vectors is carried out. It is found that error-free multi-class recognition of the object condition over the entire set of input vectors with different values of deviation of feature elements is provided in the range of values of the classifier parameter spread of [0,02; 0.07]. It is revealed that the greater the diagnostic feature deviation in test vectors, the greater the influence of the dimension of the set of training vectors on the multi-class recognition efficiency. The minimum size of the set of training vectors (68 vectors) and the limit value of diagnostic feature deviation in test vectors (17 %), which provide error-free multi-class recognition by the developed classifier are determined.Работа посвящена исследованию эффективности классификатора на основе вероятностной нейронной сети для многоклассовой диагностики объекта при наличии многоочагового повреждения. Использован многомерный вектор диагностических признаков, содержащий 5 элементов. Сформированы множества учебных и тестовых входных векторов, выполнено обучение и тестирование классификатора. Проанализирована эффективность многоклассового распознавания в зависимости от характеристик классификатора и множества обучающих векторовРоботу присвячено дослідженню ефективності класифікатора на основі імовірнісної нейронної мережі для багатокласової діагностики об‘єкта за наявності багатоосередкового пошкодження. Використано багатовимірний вектор діагностичних ознак, що містить 5 елементів. Сформовано множини навчальних та тестових вхідних векторів, виконано навчання та тестування класифікатора. Проаналізовано ефективність багатокласового розпізнавання в залежності від характеристик класифікатора та множини навчальних векторі