Применение методов ограниченной кластеризации для исследования техногенной сейсмичности
Аннотация
Целью работы является оценка применимости методов ограниченной кластеризации для исследования техногенной сейсмичности. В работе предлагается оригинальный метод ограниченной кластеризации, который в качестве базовой использует схему иерархической кластеризации (новые кластеры создаются путем объединения более мелких кластеров). В качестве меры различия используется расстояние между центроидами кластеров. Новизна метода заключается в возможности учитывать пользовательские ограничения на то, какие объекты обязательно должны попадать в один кластер, а какие не должны. Другими словами, в рамках предлагаемого подхода при отнесении объектов к одному или различным кластерам анализируются не только расстояния между объектами, но и значения их признаков. Предлагаемый метод позволяет останавливать процедуру кластеризации при нарушении пользовательских ограничений. Проведенные исследования являются первоначальной попыткой оценить применимость методов ограниченной кластеризации для исследования техногенной сейсмичности и показать принципиальную возможность оценки с их помощью степени влияния горно-геологических факторов на сейсмоактивность участков массива горных пород. Исследованы различные комбинации стационарных и условно-стационарных влияющих факторов. Полученные результаты кластеризации можно использовать для предварительного выделения зон с различной сейсмоактивностью. Дальнейшее исследование должно производиться с учетом не только количества сейсмособытий, но и их энергии, расстояния между ними и др. Применение методов ограниченной кластеризации позволяет ускорить процесс вычислений за счет уменьшения количества альтернатив на каждом шаге кластеризации. Гарантированное выполнение пользовательских ограничений в рамках предлагаемого метода повышает доверие у экспертов предметной области к процедурам кластеризации. Полученные в ходе исследований результаты позволяют судить о перспективности дальнейшего развития методов ограниченной кластеризации для задач исследования техногенной сейсмичности.
Скачивания
Литература
2. Hudyma, M. R. Seismic Hazard Mapping at Mount Charlotte Mine / M. R. Hudyma, P. A. Mikula, M. Owen.// Proceedings of the 5th North American Rock Mechanics Symposium. Hammah, R., Bawden, W. F., Curran, J., and Telesnicki, M. (eds.), University of Toronto Press. – 2002. – P. 1087–1094.
3. Gibowicz, SJ Seismicity induced by mining: ten years later / SJ Gibowicz, S. Lasocki // Adv Geophys 44. – 2001. – P. 39–181.
4. Журавлева, О. Г. Кластеризация сейсмических событий в условиях удароопасных месторождений Хибинского массива / О. Г. Журавлева // Проблемы недропользования. – 2017. – No 1. C. 14–20.
5. Babaki, Behrouz. Constrained Clustering using Column Generation / Babaki, Behrouz, Tias Guns and Siegfried Nijssen // In Proceedings of the 11th International Conference on Integration of AI and OR Techniques in Constraint Programming for Combinatorial Optimization Problems, 2014. – P. 438–454.
6. Banerjee, Arindam. Scalable Clustering Algorithms with Balancing Constraints / Banerjee, Arindam and Joydeep Ghosh // Data Mining and Knowledge Discovery. – 2006. – V. 13, no. 3. – P. 365–395.
7. Bilenko M. Integrating constraints and metric learning in semisupervised clustering / M. Bilenko, S. Basu and R. J. Mooney // In Proceedings of the 21st International Conference on Machine Learning, 2004. pp. 11–18.
8. Ward, J. H. Hierarchical grouping to optimize an objective function / J. H. Ward // J. of the American Statistical Association, 1963. – 236 р.
9. Han, Jiawei. Data mining: Concepts and techniques / Han, Jiawei, Micheline Kamber and Jian Pei. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 3rd edition. – 2011. – 703 p.
10. Luxburg, Ulrike. A Tutorial on Spectral Clustering / Ulrike Luxburg // Statistics and Computing, 2007. – V. 17, no. 4. – P. 395–416.
11. Wagsta, K. Clustering with instance-level constraints / K. Wagsta, C. Cardie // In Proceedings of the 17th International Conference on Machine Learning. – 2000. – P. 1103–1110.
12. Davidson, Ian and Sugato Basu. A survey of clustering with instance level constraints // ACM Transactions on Knowledge Discovery from Data. – 2007. – P. 1–41.
13. Davidson, I. and S. S. Ravi. Agglomerative hierarchical clustering with constraints: Theoretical and empirical results. // In Proceedings of the 9th European Conference on Principles and Practice of Knowledge Discovery in Databases. – 2005. – P. 59–70.
14. Ester, Martin, Hans P. Kriegel, Jorg Sander and Xiaowei Xu. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. // In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. – 1996. – P. 226–231.
15. Dao, Thi-Bich-Hanh, Khanh-Chuong Duong, Christel Vrain. Constrained clustering by constraint programming // Artificial Intelligence. – 2017. – V. 244. – P. 70–94.
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
