Модель сигма-пи нейронной сети для кластеризации данных

Р. А. Жилов

---

Аннотация: Селевые потоки представляют собой один из наиболее разрушительных геологических процессов, сложность прогнозирования которых обусловлена их многофакторной природой и сильными нелинейными зависимостями между определяющими факторами. Традиционные методы моделирования ограничены в интерпретируемости и способности учитывать взаимодействия признаков, что требует разработки новых подходов.
Цель исследования. Разработка и апробация архитектуры сигма-пи нейронной сети для кластеризации селевых потоков с учетом морфометрических и генетических характеристик, а также выявление ключевых факторов и их комбинаций, определяющих формирование различных типов селей.
Материалы и методы. В качестве исходных данных использовались кадастровые сведения о селевых процессах юга европейской части России. Для анализа применялась сигма-пи нейронная сеть, способная учитывать как линейные признаки, так и их взаимодействия второго порядка. Для выбора числа кластеров использовался коэффициент силуэта. Проведено сравнение с результатами кластеризации, полученными методом самоорганизующихся карт Кохонена (SOM).
Результаты. Модель выделила три устойчивых кластера, соответствующих грязевым, каменным и грязекаменным типам селей. Анализ значимости признаков показал, что наибольший вклад в формирование кластеров вносят площадь бассейна, уклон русла, максимальный объем отложений и их попарные комбинации. Сравнение с SOM подтвердило более высокую интерпретируемость предложенной модели и ее способность выявлять скрытые нелинейные зависимости.
Выводы. Применение сигма-пи нейронных сетей позволяет не только повысить качество кластеризации селевых потоков, но и обеспечить интерпретируемость результатов за счет анализа значимости признаков и их комбинаций. Такой подход перспективен для инженерной геологии и может быть использован в системах геоэкологического мониторинга и прогнозирования опасных процессов.

Ключевые слова: селевые потоки, кластеризация, сигма-пи нейронная сеть, машинное обучение, интерпретируемость, нелинейные зависимости, инженерная геология, геоэкологический мониторинг

Для цитирования. Жилов Р. А. Модель сигма-пи нейронной сети для кластеризации данных // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 5. С. 34–42. DOI: 10.35330/1991-6639-2025-27-5-34-42

Список литературы

1. Татаренко Н. В., Шагин С. И., Машуков Х. В. Географические особенности распространения селевых явлений на территории КБР // Научные известия. 2019. № 17. С. 26–30. EDN: ZJPAGU
2. Жилов Р. А. Построение самоорганизующейся карты Кохонена (SOM) для прогнозирования типов селевых потоков // Известия Кабардино-Балкарского научного центра РАН. 2024. № 5. С. 129–137. DOI: 10.35330/1991-6639-2024-26-5-129-137
3. Лютикова Л. А. Анализ характеристик селевых потоков при ограниченных данных с использованием моделей машинного обучения // Моделирование, оптимизация и информационные технологии. 2024. Т. 12. № 4. ID: 36. DOI: 10.26102/2310-6018/2024.47.4.029
4. Слейман А., Козлов Д. В. Использование искусственных нейронных сетей для оценки поверхностного стока в расчетах водохозяйственного баланса бассейна реки Верхний Оронтес // Водное хозяйство России: проблемы, технологии, управление. 2024. № 3. С. 21–37. DOI: 10.35567/19994508-2024-3-21-37
5. Бодянский Е. В., Кулишова Н. Е. Многомерная искусственная нейронная сигма-пи сеть и алгоритм ее обучения // Радиоэлектроника и информатика. 2005. № 4. C. 122–125.
6. Jiao J., Su K. A new Sigma-Pi-Sigma neural network based on L1 and L2 regularization and applications // AIMS Mathematics. 2024. Vol. 9. No. 3. Pp. 5995–6012. DOI: 10.3934/math.2024293
7. Deng F., Liang S., Qian K. et al. A recurrent sigma pi sigma neural network // PMC / NCBI, DOI: 10.1038/s41598-024-84299-y
8. Жилов Р. А. Интеллектуальные методы кластеризации данных // Известия Кабардино-Балкарского научного центра РАН. 2023. № 6(116). С. 152–159. DOI:
   10.35330/1991-6639-2023-6-116-152-159

Информация об авторе

Жилов Руслан Альбердович, мл. науч. сотр. отдела нейроинформатики и машинного обучения, Институт прикладной математики и автоматизации – филиал Кабардино-Балкарского научного центра Российской академии наук;
360000, Россия, г. Нальчик, ул. Шортанова, 89 А;
zhilov91@gmail.com, ORCID: https://orcid.org/0000-0002-3552-4854, SPIN-код: 9389-6188