Нечітка кластеризація часових рядів в інтелектуальному аналізі потоків даних

Кобилін, І. О.

Публікація:
Нечітка кластеризація часових рядів в інтелектуальному аналізі потоків даних

dc.contributor.author	Кобилін, І. О.
dc.date.accessioned	2019-10-10T08:07:13Z
dc.date.available	2019-10-10T08:07:13Z
dc.date.issued	2019
dc.description.abstract	На сьогоднішній час тенденція обробки великих обсягів інформації та їх аналіз за допомогою кластеризації дає змогу зрозуміти різноманіття процесів для її подальшого використання у сферах життєдіяльності, що супроводжують людину.Значну частину інформації, пов’язану з обробкою великих обсягів даних, містять часові ряди. Однак, однією з типових проблем обробки часових рядів є їх нерівномірне квантування та багатовимірність.Предметом дослідження є методи інтелектуального аналізу для нечіткої онлайн кластеризації багатовимірних часових рядів з нерівномірними та асинхронними тактами квантування, що призначені для аналізу потоків даних. Розглянуто питання розвитку та використання методів нечіткої кластеризації в умовах недостатньої кількості спостережень та забрудненості оброблюваних даних. Наведено огляд технологій для вирішення задач класифікації, кластеризації та фільтрації. Запропоновано метод нечіткої кластеризації, який ефективно працює за умов перетину класів та несхильний до ефекту концентрації норм та працює в онлайн режимі з асинхронними нерівномірно квантованими часовими рядами за рахунок використання спеціальної цільової функції. Запроваджений метод може бути корисний при вирішенні завдань, що виникають в рамках інтелектуального аналізу потоків даних, коли вихідні дані мають високу розмірність. Запропоновано послідовний онлайн метод кластеризації багатовимірних часових рядів, що базується на апараті гібридних систем обчислювального інтелекту, який дозволяє вирішувати задачу кластеризації даних, які послідовно надходять на обробку, з нерівномірними тактами квантування. Розроблено метод адаптивної ймовірнісної та можливісної кластеризації, що базується на метриці спеціального вигляду, в основі якої лежить аналіз тангенсів кутів нахилу часового ряду, що дозволило спростити чисельну реалізацію методу та розв’язувати задачу кластеризації нерівномірно квантованих часових рядів і формалізувати розв’язання задачі нечіткої кластеризації коротких часових рядів. Відмінною особливістю методики є оцінка якості кожного розбиття і вибір найкращого з них. Запропоновано метод робастної адаптивної ідентифікації нестаціонарних часових рядів, що в онлайн режимі надходять на обробку, який характеризується простотою обчислювальної реалізації та стійкістю до аномальних викидів. Розглянутий метод простий у чисельній реалізації, будучи по суті градієнтним методом оптимізації цільових функцій спеціального виду. Проведено низку імітаційних експериментів на основі тестових та реальних даних, результати яких підтверджують доцільність застосування запропонованого підходу для вирішення задач інтелектуального аналізу потоків даних. Розв’язано практичну задачу на базі розроблених методів кластеризації для вирішення медичної проблеми захворювання серцево-судинної системи. The offered fuzzy clustering method works effectively under conditions of classes overlapping and is free from the norms concentration effect under online mode with asynchronous non-stationary quantized time series through a special objective function. The offered sequential online clustering method for multidimensional time series, based on the apparatus of hybrid systems of computational intelligence, enables solves the problem of clustering data that are sequentially send to processing with non-stationary quantization cycles. The developed method of adaptive modification based on probabilistic and possibilistic clustering based on a special type metric stemming from slope ratio analysis of the time series, that simplifies the numerical implementation of the methods and solves the clustering problem for non-stationary quantized time series. The offered model of robust adaptive identification of non-stationary time series, under online mode, of data flow, characterized by simple computational implementation and resistance to anomalous emissions.	uk_UA
dc.identifier.citation	Кобилін І. О. Нечітка кластеризація часових рядів в інтелектуальному аналізі потоків даних : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" ; наук. кер. Бодянський Є. В., д-р техн. наук, проф. / І. О. Кобилін ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2019. – 18 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/9911
dc.language.iso	uk	uk_UA
dc.publisher	ХНУРЕ	uk_UA
dc.subject	часові ряди	uk_UA
dc.subject	нечітка кластеризація часових рядів	uk_UA
dc.subject	асинхронність квантування	uk_UA
dc.subject	онлайн метод нечіткої кластеризації	uk_UA
dc.subject	адаптивні методи навчання	uk_UA
dc.subject	інтелектуальний аналіз даних	uk_UA
dc.subject	робастні цільові функції	uk_UA
dc.subject	нестаціонарні нелінійні часові ряди	uk_UA
dc.subject	ймовірнісна кластеризація	uk_UA
dc.subject	можливісна кластеризація	uk_UA
dc.subject	time series	uk_UA
dc.subject	fuzzy clustering of time series	uk_UA
dc.subject	asynchronous quantization	uk_UA
dc.subject	online fuzzy clustering procedure	uk_UA
dc.subject	adaptive learning procedures	uk_UA
dc.subject	data stream mining	uk_UA
dc.subject	robust objective functions	uk_UA
dc.subject	nonstationary time series	uk_UA
dc.subject	probabilistic clustering	uk_UA
dc.subject	possibilistic clustering	uk_UA
dc.title	Нечітка кластеризація часових рядів в інтелектуальному аналізі потоків даних	uk_UA
dc.type	Other	uk_UA
dspace.entity.type	Publication