Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних

Хаустова, Я. В.

Публікація:
Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних

dc.contributor.author	Хаустова, Я. В.
dc.date.accessioned	2017-03-09T10:18:10Z
dc.date.available	2017-03-09T10:18:10Z
dc.date.issued	2017
dc.description.abstract	Дисертаційна робота присвячена розв’язанню актуальної наукової задачі розробки нових методів нечіткої кластеризації на основі ядерних нейронних мереж і нейро-фаззі систем, які налаштовують свою архітектуру в процесі навчання-самонавчання в умовах перетинних кластерів довільної форми. Вперше запропоновано ядерні кластерувальні нейронні мережі, які засновані на радіально-базисній нейронній мережі та узагальненії регресійнії мережі, що дозволяють обробляти потоки даних різної фізичної природи в послідовному режимі. Вперше запропоновано багатошарову гібридну нейро-фаззі систему обчислювального інтелекту на основі системи Ванга-Менделя і нечіткої кластерувальної самоорганізовної мережі, що дозволяє в процесі самонавчання налаштовувати не тільки свої параметри, але і архітектуру в on-line режимі і вирішувати задачі кластеризації потоку даних за умов апріорно невідомої форми кластерів і рівнів їх перетинання. Удосконалено метод кластеризації ЕМ (expectation-maximization) шляхом використання ядерних функцій спеціального виду, що дозволяє на відміну від стандартного підходу вирішувати задачу кластеризації в умовах перетинних кластерів з розрахунком оцінки належності кожного спостереження до кожного кластеру. Удосконалено штучну нейронну мережу для аналіза головних компонент шляхом введення додаткових шарів ядерних функцій для підвищення розмірності вхідного простору, що дозволило обробляти інформацію, яка міститься в класах довільної форми. The clustering system based on the evolving general regression neural network and self-organizing map of T.Kohonen, is proposed in the thesis. An on-line neuro-fuzzy system for solving data stream fuzzy clustering task and its self-learning procedures based on T. Kohonen’s rule are proposed in the thesis. During a learning procedure in on-line mode, the proposed system tunes both its parameters and its architecture. For tuning of membership functions parameters of neuro-fuzzy system the method based on competitive learning is proposed. In the thesis soft probabilistic clustering algorithm of multidimensional data sets that are sequentially fed to processing in on-line mode is investigated. The proposed system solves the tasks of Data Stream Mining when classes are overlapped.	uk_UA
dc.identifier.citation	Хаустова Я. В. Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / Я. В. Хаустова ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2017. – 20 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/3588
dc.language.iso	uk	uk_UA
dc.subject	ядерна нейронна мережа	uk_UA
dc.subject	нейро-фаззі системи	uk_UA
dc.subject	самоорганізовна мапа Кохонена	uk_UA
dc.subject	радіально-базисна нейронна мережа	uk_UA
dc.subject	узагальнена регресійна нейронна мережа	uk_UA
dc.subject	ЕМ-ймовірнісний алгоритм кластеризації	uk_UA
dc.subject	ядерна функція активації	uk_UA
dc.subject	kernel neural network	uk_UA
dc.subject	neuro-fuzzy systems	uk_UA
dc.subject	self-organizing Kohonen map	uk_UA
dc.subject	radial-basis functions neural network	uk_UA
dc.subject	general regression network	uk_UA
dc.subject	EM – probabilistic clustering algorithm	uk_UA
dc.subject	kernel activation function	uk_UA
dc.title	Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних	uk_UA
dc.type	Synopsis	uk_UA
dspace.entity.type	Publication