Нечітка достовірна кластеризація великих масивів даних з гіпереліпсоїдальними класами з довільною орієнтацією осей

Nauka i tekhnika Povitrianikh Sil Zbroinikh Sil Ukrayini Pub Date : 2023-05-12 DOI:10.30748/nitps.2023.50.11

А. Ю. Шафроненко, Є. В. Бодянський

{"title":"Нечітка достовірна кластеризація великих масивів даних з гіпереліпсоїдальними класами з довільною орієнтацією осей","authors":"А. Ю. Шафроненко, Є. В. Бодянський","doi":"10.30748/nitps.2023.50.11","DOIUrl":null,"url":null,"abstract":"Проблема нечіткої кластеризації даних є важливою проблемою, яка часто зустрічається в різноманітних задачах інтелектуального аналізу даних. Для вирішення цих задач відомі методи потребують, щоб вектори-спостереження надходили з тих даних, які належать лише одному кластеру, але природніша та ситуація, коли вектор-спостереження може належати більше ніж одному кластеру або класу. Із таким родом проблем найкраще справляються нечіткі методи кластеризації, які синтезовані з урахуванням взаємного перетинання класів, які формуються в процесі аналізу даних. Найбільш поширені алгоритми нечіткої кластеризації – імовірнісні методи нечіткої кластеризації. В той же час, цей підхід має суттєві недоліки, пов'язані зі строгими “імовірнісними” обмеженнями щодо рівня належності та підвищеною чутливістю до аномальних спостережень, які часто присутні у вихідних наборах даних. В якості альтернативи імовірнісним методам нечіткої кластеризації було запропоновано метод достовірної нечіткої кластеризації з рекурентною модифікацією, який базується на підході правдоподібності та алгоритмі Густафсона-Кесселя для нечіткої кластеризації.","PeriodicalId":52997,"journal":{"name":"Nauka i tekhnika Povitrianikh Sil Zbroinikh Sil Ukrayini","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-05-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Nauka i tekhnika Povitrianikh Sil Zbroinikh Sil Ukrayini","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.30748/nitps.2023.50.11","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Проблема нечіткої кластеризації даних є важливою проблемою, яка часто зустрічається в різноманітних задачах інтелектуального аналізу даних. Для вирішення цих задач відомі методи потребують, щоб вектори-спостереження надходили з тих даних, які належать лише одному кластеру, але природніша та ситуація, коли вектор-спостереження може належати більше ніж одному кластеру або класу. Із таким родом проблем найкраще справляються нечіткі методи кластеризації, які синтезовані з урахуванням взаємного перетинання класів, які формуються в процесі аналізу даних. Найбільш поширені алгоритми нечіткої кластеризації – імовірнісні методи нечіткої кластеризації. В той же час, цей підхід має суттєві недоліки, пов'язані зі строгими “імовірнісними” обмеженнями щодо рівня належності та підвищеною чутливістю до аномальних спостережень, які часто присутні у вихідних наборах даних. В якості альтернативи імовірнісним методам нечіткої кластеризації було запропоновано метод достовірної нечіткої кластеризації з рекурентною модифікацією, який базується на підході правдоподібності та алгоритмі Густафсона-Кесселя для нечіткої кластеризації.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

对具有任意轴向的超椭球类的大型数据集进行模糊可靠聚类

模糊数据聚类问题是各种数据挖掘任务中经常出现的一个重要问题。要解决这些问题，众所周知的方法要求观测向量来自只属于一个聚类的数据，但更自然的情况是，一个观测向量可能属于多个聚类或类别。这种问题最好用模糊聚类方法来处理，这种方法是利用数据分析过程中形成的类的相互重叠来合成的。最常见的模糊聚类算法是概率模糊聚类方法。与此同时，这种方法也有很大的缺点，那就是对成员级别有严格的 "概率 "限制，而且对原始数据集中经常出现的异常观测结果更加敏感。作为概率模糊聚类方法的替代方法，作者提出了一种可靠的循环修改模糊聚类方法，该方法基于似然法和 Gustafson-Kessel 算法进行模糊聚类。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Nauka i tekhnika Povitrianikh Sil Zbroinikh Sil Ukrayini

自引率

0.00%

发文量

审稿时长

6 weeks