Диссертация (1172939), страница 23
Текст из файла (страница 23)
42-44.92. Cooke, R.M. Procedures guide for structured expert judgement, s. l. /R. M. Cooke, L. H. J. Gossens. – University of Technology Delft. – 1999.93. Дилигенский, Н.В. Нечеткое моделирование и многокритериальнаяоптимизация производственных систем в условиях неопределенности: технология, экономика, экология / Н.В. Дилигенский, Л.Г.
Дымова, П.В. Севастьянов. – М.: Изд-во «Машиностроение − 1», 2004.94. Gupta, N.M. Fuzzy sets theory and its applications: a survey / N.M. Gupta, R.K. Ragade // Multivariable Technol. Syst.Proc.4th IFAC Int. Symp.1977. –Oxford, 1978. – Pp. 247-259.95. Hung, T. Theoretical aspects of fuzzy control / T. Hung, M. Sugeno, R.Tong, R.R.
Yager. New York: John Wiley and Sons Inc. – 1995. – 267 p.96. Tryon, R.C. Cluster analysis / R.C. Tryon. – London: Ann Arbor Edwards Bros, 1939. – 139 p.97. Олдендерфер, М.С. Кластерный анализ: в кн. Факторный, дискриминантный и кластерный анализ / М.С. Олдендерфер, Р.К. Блэшфилд / пер.с англ. под. ред. И.С. Енюкова. – М.: Финансы и статистика, 1989. – 215 с.98. Айвазян С.А. Прикладная статистика: Классификация и снижениеразмерности / С.А.
Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин.– М.: Финансы и статистика, 1989. – 607 с.99. Рябцев, Н.А. Современные аспекты организации охраны объектови имущества различных категорий [Электронный ресурс] / А.В. Климов,Н.А. Рябцев, А.Н. Федин, С.В. Климова, О.Г. Точилова // Технологии техносферной безопасности. – 2017. – Вып. 2 (72). – С. 336-343. – Режим доступа:164http://agps-2006.narod.ru/ttb/2017-2/22-02-17.ttb.pdf(датаобращения:28.02.2020).100.
Рябцев, Н.А. Влияние особенностей охраняемого объекта на выборконкретного типа акустического извещателя / Н.А. Рябцев // ИнформОхрана.– 2015. – № 9. – С. 21-24. Режим доступа: http://www.nicohrana.ru/informohrana.html (дата обращения: 28.02.2020).101. Рябцев, Н.А. Перспективы развития средств обнаружения несанкционированного проникновения в помещения и хранилища ценностей [Электронный ресурс] / А.В. Климов, Н.А. Рябцев, А.Н. Федин // Технологии техносферной безопасности. – 2016. – Вып. 4 (68). – С. 288-294.
– Режим доступа:http://agps-2006.narod.ru/ttb/2016-4/29-04-16.ttb.pdf(датаобращения:28.02.2020).102. Кузьмин, Ю.Б. Оценка уровня автоматизации предприятия /Ю.Б. Кузьмин // Нефтяное хозяйство. – 2009. – № 10. – С. 104-107.103. Определение уровня автоматизации технологических объектов[Электронный ресурс]. – 2015. – Режим доступа: https://helpiks.org/444750.html (дата обращения: 28.02.2020).104. ГОСТ 31817.1.1-2012.
Системы тревожной сигнализации. Часть 1.Общие требования. Раздел 1. Общие положения (IEC 60839-1-1:1998 Alarmsystems. Part 1: General requirements. Section one: General).105. Рябцев, Н.А. Взрывобезопасные извещатели тревожной сигнализации [Электронный ресурс] / А.Н. Членов, А.В.
Климов, Н.А. Рябцев,Т.А. Буцынская // Технологии техносферной безопасности». – 2017.–Вып.3(73).–С.266-270.–Режимдоступа:http://agps-2006.narod.ru/ttb/2017-3/33-03-17.ttb.pdf (дата обращения: 28.02.2020).165ПРИЛОЖЕНИЕ ААкты внедрениярезультатов диссертационной работы166167168169170ПРИЛОЖЕНИЕ БПатент на полезную модель171ПРИЛОЖЕНИЕ ВРасчетные материалы кластерного анализа параметровтехнических средств систем охранно-пожарной сигнализациии объектов, принимаемых под централизованную охрану1721. Кластерный анализ параметров технических средствсистем охранно-пожарной сигнализацииМатрица Евклидовых расстояний для проведения кластерного анализапараметров технических средств систем охранно-пожарной сигнализации.№п/п123456789x1311243321x26213105641Агломеративным иерархическим алгоритмом классификации определяем расстояния между объектами и представляем полученные данныев матрице расстояний.
Процесс объединения кластеров производим последовательно методом одиночной связи.№п/п123456789104,4725,3853,1624,123102,2365,38524,472011,4148,5443,6064,4722,236135,385102,2369,4874,4725,3853,162043,1621,4142,23607,282,2363,16212,23654,1238,5449,4877,2805,0994,1236,3259,487613,6064,4722,2365,099011,4144,472704,4725,3853,1624,123102,2365,38582,2362,2363,16216,3251,4142,23603,16295,385102,2369,4874,4725,3853,1620Из матрицы расстояний следует, что объекты № 1 и № 7 наиболееблизки P 1; 7 = 0 и поэтому объединяются в один кластер.173№п/п[1]23456[7]89[1]04,4725,3853,1624,123102,2365,38524,472011,4148,5443,6064,4722,236135,385102,2369,4874,4725,3853,162043,1621,4142,23607,282,2363,16212,23654,1238,5449,4877,2805,0994,1236,3259,487613,6064,4722,2365,099011,4144,472[7]04,4725,3853,1624,123102,2365,38582,2362,2363,16216,3251,4142,23603,16295,385102,2369,4874,4725,3853,1620При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 1 и № 7.
В результате имеем 8 кластеров:S (1, 7), S (2), S (3), S (4), S (5), S (6), S (8), S (9).Из матрицы расстояний следует, что объекты № 3 и № 9 наиболееблизки P 3; 9 = 0 и поэтому объединяются в один кластер.№п/п1, 72[3]4568[9]1, 704,4725,3853,1624,12312,2365,38524,472011,4148,5443,6062,2361[3]5,385102,2369,4874,4723,162043,1621,4142,23607,282,23612,23654,1238,5449,4877,2805,0996,3259,487613,6064,4722,2365,09901,4144,47282,2362,2363,16216,3251,41403,162[9]5,385102,2369,4874,4723,1620174При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов №3 и №9.
В результате имеем 7 кластеров:S (1, 7), S (2), S (3, 9), S (4), S (5), S (6), S (8).Из матрицы расстояний следует, что объекты № 1, 7 и № 6 наиболееблизки P 1, 7; 6 = 1 и поэтому объединяются в один кластер.№п/п[1, 7]23, 945[6]8[1, 7]04,4725,3853,1624,12312,23624,472011,4148,5443,6062,2363, 95,385102,2369,4874,4723,16243,1621,4142,23607,282,236154,1238,5449,4877,2805,0996,325[6]13,6064,4722,2365,09901,41482,2362,2363,16216,3251,4140При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 1, 7 и № 6. В результате имеем 6 кластеров: S (1, 7, 6), S (2), S (3, 9), S (4), S (5), S (8).Из матрицы расстояний следует, что объекты № 2 и № 3, 9 наиболееблизки P 2; 3, 9 = 1 и поэтому объединяются в один кластер.№п/п1, 7, 6[2][3, 9]4581, 7, 603,6064,4722,2364,1231,414[2]3,606011,4148,5442,236[3, 9]4,472102,2369,4873,16242,2361,4142,23607,28154,1238,5449,4877,2806,32581,4142,2363,16216,3250175При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 2 и № 3, 9.
В результате имеем 5 кластеров: S (1, 7, 6), S (2, 3, 9), S (4), S (5), S (8).Из матрицы расстояний следует, что объекты № 4 и № 8 наиболееблизки P 4; 8 = 1 и поэтому объединяются в один кластер.№п/п1, 7, 62, 3, 9[4]5[8]1, 7, 603,6062,2364,1231,4142, 3, 93,60601,4148,5442,236[4]2,2361,41407,28154,1238,5447,2806,325[8]1,4142,23616,3250При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 4 и № 8. В результате имеем 4 кластера:S (1, 7, 6), S (2, 3, 9), S (4, 8), S (5).Из матрицы расстояний следует, что объекты № 1, 7, 6 и № 4, 8 наиболее близки P 1, 7, 6; 4, 8 = 1,414 и поэтому объединяются в один кластер.№п/п[1, 7, 6]2,3,9[4, 8]5[1, 7, 6]03,6061,4144,1232, 3, 93,60601,4148,544[4, 8]1,4141,41406,32554,1238,5446,3250При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 1, 7, 6 и № 4, 8. В результате имеем 3 кластера: S(1, 7, 6, 4, 8),S(2, 3, 9),S(5).Из матрицы расстояний следует, что объекты№ 1, 7, 6, 4, 8 и № 2, 3, 9 наиболее близки Pобъединяются в один кластер.1, 7, 6, 4, 8; 2, 3, 9=1,414 и поэтому176№п/п[1, 7, 6, 4, 8][2, 3, 9]5[1, 7, 6, 4, 8]01,4144,123[2, 3, 9]1,41408,54454,1238,5440При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 1, 7, 6, 4, 8 и № 2, 3, 9.
В результате имеем2 кластера: S (1, 7, 6, 4, 8, 2, 3, 9), S (5).№п/п1, 7, 6, 4, 8, 2, 3, 951, 7, 6, 4, 8, 2, 3, 904,12354,1230Таким образом, при проведении кластерного анализа получилидва кластера, расстояние между которыми равно P = 4,123.2. Кластерный анализ объектов, принимаемыхпод централизованную охрануМатрица Евклидовых расстояний для проведения кластерного анализаобъектов, принимаемых под централизованную охрану№п/п1234567891011x11110972864531x2110,90,90,9110,910,90,25Агломеративным иерархическим алгоритмом классификации определяем расстояния между объектами и представляем полученные данныев матрице расстояний.
Процесс объединения кластеров производим последовательно методом одиночной связи.177№п/п1210121032,0021,00502744,0013,0022059,0018,001756321,005 1,0056,00107543,002 1,0054,001287,0016,001965108,0017,0011110,028 9,0313567892,002 4,0019,001357,00168,001 10,0281,005 3,0028,001246,00157,001 9,0311,005 3,00254,00168,02651,005 1,00532,00246,03506,001 4,00123,00211,19324,00135,0017,0402,00213,002 5,05601,00513,071,00502,0024,0712,00202,1033,074,072,10305434,001 2,002623,00248,026 6,03511,1934,001 2,002315,001 3,0027,045,0561011Из матрицы расстояний следует, что объекты № 1 и № 2 наиболееблизки P 1; 2 = 1 и поэтому объединяются в один кластер.№п/п[1][2]34567891011[1]012,0024,0019,001357,00168,00110,028[2]101,0053,0028,001246,00157,0019,03132,0021,0050271,0053,00254,00168,02644,0013,0022051,0051,00532,00246,03559,0018,0017506,0014,00123,00211,1936321,0051,0056,001024,00135,0017,047543,0021,0054,001202,00213,0025,05687,0016,0015324,0012,00201,00513,079654,0012,0023,002311,00502,0024,07108,0017,0016415,0013,00212,00202,1031110,028 9,031 8,0266,0351,1937,045,0563,074,072,1030178При формировании новой матрицы расстояний выбираем наименьшеезначение из значений объектов № 1 и № 2.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
