Search academic texts

Information × Registration Number 2117U006193, Article popup.category Опубліковано, Стаття Title FUZZY DATA CLUSTERING IN THE RANK SCALE BASED ON A DOUBLE NEO-FUZZY NEURON popup.author Женьбінг ГуБодянський Є. В.Тищенко О. К.Самітова В. А.Zhengbing HuBodyanskiy Ye. V.Tyshchenko O. K.Samitova V. O. popup.publication 13-05-2017 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/101031 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. У статті розглянуто задачу кластерування даних за умов кластерів, що перетинаються. Передбачено, що оброблювану інформацію задано в ранговій (порядковій) шкалі. Мета. Для кластерування запропоновано використати архітектуру спеціального вигляду – подвійний нео-фаззі нейрон, який є модифікацією класичного нео-фаззі нейрона зі спеціально сконструйованими несиметричними функціями належності та володіє поліпшеними апроксимуючими властивостями. Метод. Подвійний нео-фаззі нейрон, як і звичайний нео-фаззі нейрон, призначений для обробки інформації, що її задано у шкалі натуральних чисел. Однак ситуація істотно ускладниться, якщо вихідні дані будуть задані не в числовий, а в порядкової шкалі, що досить часто зустрічається в різних практичних завданнях. Результати. Для навчання подвійного нео-фаззі нейрона використовувалася градієнтна процедура мінімізації із змінним параметром кроку пошуку. Запропонований підхід до нечіткої класифікації даних у порядковій шкалі на основі подвійного нео-фаззі нейрона, що його навчають за допомогою швидкодіючого алгоритму, має додаткові згладжуючі властивості. Точність кластеризації для навчальної та тестової вибірок, а також швидкість навчання системи були виміряні в ході проведення експериментів. Запропонована архітектура подвійного нео-фаззі нейрона є своєрідним компромісом між традиційним та розширеним нео-фаззі нейронами. Дана архітектура гарно себе проявила у тих випадках, коли точність результатів має більше значення, ніж час, який витрачається на обробку даних. Висновки. Експериментальне моделювання (на штучних і реальних наборах даних) довело ефективність запропонованого підходу. У ході експериментів було проведено дослідження властивостей запропонованої системи, що ще раз підтвердило доцільність використання даного підходу для вирішення широкого кола завдань інтелектуального аналізу даних. popup.nrat_date 2026-02-09 Close