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/оновлено в НРАТ
2026-02-09
