Публікація: Класифікація та кластеризація даних, що задані в нечислових шкалах
Завантаження...
Дата
2017
Автори
Назва журналу
ISSN журналу
Назва тома
Видавництво
Анотація
Метою дисертаційної роботи є розробка методів нечіткої кластеризації та класифікації даних, що задані у нечислових шкалах.
Виконано огляд стану проблеми інтелектуального аналізу даних, що задані у нечислових шкалах. Виявлено недоліки існуючих методів: неможливість функціонувати в онлайн режимі та обмеженість процедур трансформації лінгвістичних характеристик у чисельну шкалу. Запропоновано метод нечіткої кластеризації порядкових даних на основі частотних прототипів та функцій належності, що дало можливість обробляти порядкові дані, які не підпорядковуються нормальному розподілу. Запропоновано метод нечіткої кластеризації на основі порядково-чисельного відображення для інтелектуального опрацювання порядкових даних, що надходять у послідовному режимі. Вдосконалено метод нечіткої кластеризації порядкових даних шляхом сумісного використання функцій належності і функцій правдоподібності, що дозолило підвищити точність кластеризації порядкових даних. Розроблено методи адаптивної робастної нечіткої кластеризації порядкових даних шляхом використання критерію спеціального виду (міри схожості), що дозволило обробляти порядкові дані, які мають викиди, у послідовному режимі. Удосконалено метод можливісної нечіткої кластеризації категоріальних даних шляхом використання частотних прототипів та мір несхожості, що дозволило подолати недоліки класичних методів та підвищити точність кластеризації даних. Вдосконалено архітектуру нейро-фаззі системи на основі нео-фаззі нейрону для класифікації порядкових даних шляхом використання додаткового вихідного шару, що дозволило покращити апроксимуючі властивості гібридної системи
обчислювального інтелекту при роботі з порядковими даними. Розв’язано практичну задачу аналізу клієнтської бази даних ТОВ «Південелектропроект», а також задачу автоматичної обробки термограм з метою діагностування електрообладнання у ТОВ НВП «Мідіел».
The thesis is devoted to research and development of fuzzy clusterization and classification methods for non-numerical data.
The fuzzy clustering method for ordinal data without normal distribution based on frequency prototypes and membership functions is proposed. The adaptive fuzzy clustering method for ordinal data using ordinal-numerical mapping is proposed. This method specifically designed to process ordinal data in an online mode. The fuzzy clustering method for ordinal data based on membership functions and likelihood is developed. The proposed method is proven to have higher clustering accuracy comparatively with traditional methods. The thesis proposes a number of robust fuzzy clustering methods based on similarity measure for ordinal data. These methods are resistant to noise and permit to process ordinal data in an online mode. The fuzzy clustering methods for categorical data based on frequency prototypes and dissimilarity measure is developed. The proposed method solves traditional methods` weaknesses and has high clustering accuracy. The double neo-fuzzy neuron and its learning algorithm are proposed. The proposed architecture is proven to have enhanced approximating capabilities as well as high operating speed. An experimental study of the properties and characteristics of the developed methods is carried out and recommendations on their use in solving practical tasks are proposed.
Опис
Ключові слова
інтелектуальний аналіз даних, порядкові дані, категоріальні дані, класифікація, нечітка кластеризація, штучні нейронні мережі, подвійний нео-фаззі нейрон, data mining, ordinal data, categorical data, classification, fuzzy clustering, artificial neural networks, double neo-fuzzy neuron
Бібліографічний опис
Самітова В. О. Класифікація та кластеризація даних, що задані в нечислових шкалах : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / В. О. Самітова ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2017. – 20 с.