Публікація: Адаптивні нейро-фаззі системи для нечіткого кластерного аналізу в умовах невизначеності
Завантаження...
Дата
2014
Автори
Назва журналу
ISSN журналу
Назва тома
Видавництво
Анотація
Дисертація присвячена дослідженню та розробці методів адаптивної нечіткої кластеризації з використанням нейромереж Кохонена та їх ансамблів. Розглядаються засновані на прототипах методи кластеризації та їх модифікації. Зазначено, що, як усі методи навчання без вчителя, будь-які методи кластеризації мають деякі апріорні припущення про характер розподілу даних в оброблюваній вибірці. Побудова системи кластеризації, яка вдало працює в умовах заздалегідь невідомих або мінливих характеристик даних, можлива тільки при використанні методів колективного виведення. Побудова такої системи на основі кластеризаторів пов'язана зі складнощами, що виходять з самої природи задачі кластеризації, а саме з відсутності об'єктивних критеріїв якості розбиття, наявності великого числа параметрів, що настроюються, та використанням переважно пакетних методів роботи з даними.
У роботі пропонується ряд методів кластеризації, які охоплюють найпоширеніші методи обробки джерел нестаціонарності в даних і модифіковані для можливості роботи в on-line режимі. Всі методи побудовані на загальному підході, який полягає в мінімізації числа параметрів, що настроюються, та наданні їм ясного фізичного сенсу, а також у забезпеченні можливості роботи цих методів з вибіркою, що поповнюється. Отримані таким чином методи кластеризації працюють у деякому сенсі одноманітно, що дозволяє об'єднувати їх в нейромережеві ансамблі для колективного отримання матриці розбиття, кращої кожної із тих, що отримані окремими методами. Використовуючи особливості роботи нечітких методів кластеризації.
The thesis is devoted to research and development of adaptive fuzzy clustering systems using Kohonen neural networks and their ensembles. Prototype-based clustering methods and their modifications are considered. It is noticed that as the methods of unsupervised learning, any clustering methods have some a priori view about the nature of the data distribution in the treated sample, and work successfully only if data meets these expectations. Building a clustering system, successfully operating in unknown in advance conditions or in cases of changing characteristics of the data during work is possible only with using of methods of collective reasoning. It involves the synthesis of the current model in on-line mode based on parallel processing systems, each of which is successful only on some part of the sample. The construction of such a system on the basis of clustering systems fraught with difficulties due to the formulation of the problem of clustering, primarily the lack of objective criteria for estimating the quality of the partition, as well as a large number of adjustable parameters and using mainly batch methods to process the data.
The thesis proposes a number of clustering methods, covering the most common methods of processing the sources of nonstationarity in data and modified to be able to work in on-line mode. All methods are based on the common approach to minimize the number of adjustable parameters, and give them a clear physical meaning, as well as providing opportunity to work with a growing sample. Thus obtained clustering methods work in some sense uniformly, that allows to combine them into neural network ensembles for the collective result of the partitioning matrix, the best of each of those obtained by individual methods.
Опис
Ключові слова
нейронні мережі Кохонена, нейро-фаззі мережі, методи самонавчання, функція належност, нечітка логіка типу-2, адаптивна нечітка кластеризація, Kohonen neural network, neuro-fuzzy network, self-learning algorithms, type-2 fuzzy logic
Бібліографічний опис
Колчигін Б. В. Адаптивні нейро-фаззі системи для нечіткого кластерного аналізу в умовах невизначеності : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / Б. В. Колчигін ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2014. – 20 с.