ОНЛАЙН ДОСТОВІРНА НЕЧІТКА КЛАСТЕРІЗАЦІЯ ДАНИХ З ВИКОРИСТАННЯМ ФУНКЦІЇ НАЛЕЖНОСТІ СПЕЦІАЛЬНОГО ТИПУ
DOI:
https://doi.org/10.30837/bi.2019.2(93).01Ключові слова:
Нечітка кластеризація, Обробка, Градієнтна оптимізація, Функція належностіАнотація
Запропоновано онлайн метод достовірної нечіткої кластеризації, призначений для аналізу даних, послідовно надходять на обробку. Особливістю розвиваючого підходу є використання функції належності спеціального виду, описуваної функції щільності розподілу Коші. Власне процедура уточнення центроїд кластерів є по суті правилом самонавчання «Переможець отримує більше» (WTM), в якому функція сусідства породжується введеної функцією приналежності.
Посилання
Xu R., Wunsch D.C. II. Clustering– Hoboken, N.J.: John Wiley & Sons, Inc., 2009.
Aggarwal C.C. Data Mining: Text Book. Springer, 2015.
Bezdek J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. – N.y.: – Plenum Press, 1981.
Höppner F., Klawonn F., Kruse R., Runkler T. Fuzzy Clustering Analysis:Methods for Classification, Data Analisys and Image Recognition.-Chichester: John Wiley &Sons, 1999. – 289 p.
R. Krishnapuram, J.M. Keller. A possibilistic approach to clustering. Fuzzy Systems, 1993, 1, № 2, P. 98-110.
Chintalapudi K. K. and M. kam, “A noise resistant fuzzy cmeans algorithm for clustering,” Ieee conference on Fuzzy Systems Proceedings, vol. 2, May 1998, pp. 1458-1463.
Zhou J., Wang Q., Hung C.-C., Yi X. Credibilistic clustering: the model and algorithms. Int.J. of uncertainty, Fuzziness and Knowledge-Based Systems- 2015-23-№4 – P. 545-564.
Zhou, J., Wang, Q., Hung, C. C. Credibilistic clustering algorithms via alternating cluster estimation.- J. Intell. Manuf.-2017-28 – P. 727-738.
Liu, B., & Liu, Y. expected value of fuzzy variable and fuzzy expected value models. Ieee Transactions on Fuzzy Systems, – 2002. – 10., № 4 – P. 445–450.
Liu, B. A survey of credibility theory. Fuzzy Optimization and Decision Making-2006-5-№4 – P. 387–408.
D.C. Park, I. Dagher. gradient based fuzzy c-means (gBFCM) algorithm. Proc. Ieee Int. Conf. on Neural Networks, 1984, P. 1626-1631.
F.L. Chung, T. Lee. Fuzzy competitive learning. Neural Networks, 1994, 7, №3, P. 539-552.
Bodyanskiy Ye, Kolodyazhniy V., Stephan A. Recurcive fuzzy clustering algorithms. –Proc 10th east West Fuzzy Coll. 2002, -zittau-gёrlitz, HS, 2002 – P. 276-283.
Bodyanskiy, Ye. Computational intelligence techniques for data analisys / ye. Bodyanskiy // lecture Notes in Informatics.-Bonn: V.p. 72gI, 2005. – P. 15-36.
Zhou, J., & Hung, C.-C. (2007). A generalized approach to possibilistic clustering algorithms. Int. J. of uncertainty, Fuzziness and Knowledge-Based Systems. – 2007 – 15. – P. 117–138.
Young F.W., Hamer R.M. Theory and Applications of Multidimensional Scaling-Hillsdale, N.J.: erlbaum, 1994.
Hu Zh., Bodyanskiy Ye, Tyshchenko O., Shafronenko A. Fuzzy clustering of incomplete data by means of similarity measures- Proc.2019 Ieee 2nd ukr. Conf. on electrical and Computer engineering (uKRCON) , Track 6.-lviv, ukraine, 2019. – P. 149-152.
Bezdek J.C. A convergence theorem for the fuzzy ISODATA clustering algorithms. – Ieee Trans. Pattern Anal. Mach. Intell. - 1980 - 2. – P. 1-8.
Bodyanskiy Ye, Gorshkov Ye, Kokshenev I., Kolodyazhniy V. Outlier resistant recursive fuzzy clustering algorithms. ed. By B. Reusch «Computational Intelligence Theory and Applications» - Advances in Soft Computing-Vol.38.-Berlia Heidelberg, Springer Verlag, 2006 – P. 647-652.
Bodyanskiy Ye, Gorshkov Ye, Kokshenev I., Kolodyazhniy V. Robust recursive fuzzy clustering algorithms- Proc. 12th east West Fuzzy Coll 2005 - zittau-gürlitz, FH,2005 – P. 301-308.
Bodyanskiy Ye, Shafronenko A., Mashtalir S., Online robust fuzzy clustering of data with omissions using similarity measure of special type-lecture Notes in Computational clutolligence and Decision Waking-Cham: Springer, 2020 – P. 637-646
