Пошук академічних текстів

Інформація × Реєстраційний номер 2121U008601, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ОНЛАЙН НЕЧІТКА КЛАСТЕРИЗАЦІЯ ДАНИХ З ПРОПУСКАМИ З ВИКОРИСТАННЯМ ДОСТОВІРНОГО ПІДХОДУ ТА МІРИ ПОДІБНОСТІ СПЕЦІАЛЬНОГО ВИГЛЯДУ Автор Бодянський Є. В.Шафроненко А. Ю.Клімова І. М.Bodyanskiy Ye. V.Shafronenko A. Yu.Klymova I. N. Дата публікації 27-03-2021 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/227773 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. У більшості завдань кластеризації (класифікації без вчителя), пов’язаних з обробкою реальних даних, початкова інформація, у тому чи іншому випадку як правило, спотворюється через аномальні викиди (збурення) та пропуски. Зрозуміло, що «класичні» методи інтелектуального аналізу даних (як пакетні, так і онлайн) в цій ситуації неефективні. Метою роботи було запропонувати процедуру нечіткої кластеризації викривлених даних з використанням достовірного підходу та міри подібності спеціального типу, а також розробка метода достовірної нечіткої кластеризації спотворених даних із використанням теорії довіри, яка була би позбавлена недоліків імовірнісних і можливісних підходів кластеризації викривлених даних. Метод. Процедура нечіткої кластеризації неповних даних із використанням достовірного підходу та міри схожості спеціального типу, заснована на використанні робастних цільових функцій спеціального типу, а також мір подібності, нечутливих до викидів та призначених для роботи як у пакетній, так і в онлайн версії для вирішення проблем Data Stream Mining, коли дані надходять на обробку послідовно в режимі реального часу. Результати. Запропоновані методи є простими в чисельній реалізації та позбавлені недоліків, властивих традиційним методам імовірнісної та можливістної нечіткої кластеризації. Висновки. Проведені експериментальні дослідження підтвердили результативність та якість роботи запропонованих методів достовірної нечіткої кластеризації спотворених даних і дозволяють рекомендувати їх для використання на практиці для вирішення проблем автоматичної кластеризації викривлених даних. Запропонований метод призначений для використання в гібридних системах обчислювального інтелекту і, перш за все, у проблемах навчання штучних нейронних мереж, нейро-фаззі систем, а також у завданнях кластеризації та класифікації. Додано в НРАТ 2026-02-09 Закрити