Жернова, П. Є.2019-10-102019-10-102019Жернова Поліна Євгеніївна Нечітка кластеризація потоків даних за умов невідомої кількості кластерів : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" ; наук. кер. Бодянський Є. В., д-р техн. наук, проф. / П. Є. Жернова ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2019. – 20 с.http://openarchive.nure.ua/handle/document/9905У дисертаційній роботі запропоновано ансамбль самоорганізовних карт Т. Кохонена, який базується на використанні онлайн методу К-середніх. Такий підхід дозволяє обробляти інформацію, яка надходить на вхід системи спостереження за спостереженням. На відміну від існуючих методів кластеризації використання ансамблевого підходу дозволяє обійти проблему, коли кількість класів заздалегідь невідома, оскільки кожна з мереж Кохонена налаштована на свою кількість кластерів. Вдосконалено метод, заснований на ансамблевому підході, з використанням ядерних самоорганізовних карт Т. Кохонена, що дозволило завдяки додатковому прихованому ядерному шару нейромережі підвищити розмірність вхідного простору, що дає змогу кластеризувати дані, які є лінійно нероздільними. Розроблено ансамбль нейро-фаззі самоорганізовних карт Т. Кохонена для кластеризації потоків даних, який за допомогою використання вдосконаленого методу С-середніх та додаткового ядерного шару здатний обробляти інформацію, що є лінійно нероздільною, а також обробляти кластери довільної форми. Саме це дозволяє обробляти дані високої розмірності та уникнути ефекту концентрації норм. Вдосконалено ансамбль самоорганізовних карт Т. Кохонена для кластеризації потоків даних високої розмірності, який обробляє інформацію, що надходить на вхід системи з використанням двох підходів: імовірнісного та можливісного. The thesis proposed the ensemble of T. Kohonen’s self-organizing maps, which is based on using the online method of K-means. This approach allows processing the information in online mode that is fed to the input of the system. Unlike existing clustering methods, the use of the ensemble approach allows to bypass the problem when the number of classes is unknown in advance because each of the Kohonen’s networks is configured for its own number of clusters. The method based on the ensemble approach, using the neural self-organizing T. Kohonen’s maps, has been improved, which allowed using additional hidden layer of the neural network to increase the dimension of the input space. A neuro-fuzzy ensemble of T. Kohonen’s self-organizing maps has been developed for data stream clustering, when the use of the improved C-means and additional neural layer method is able to process information that is linear inseparable, as well as to process clusters of arbitrary form. This allows processing data of high dimensionality and avoiding the concentration of norms effect. The ensemble of self-organizing maps has been improved for the clustering of high-dimensional data streams, which processes information entering the system using several approaches: probabilistic and possibilistic.ukансамбль нейронних мережсамоорганізовна карта Т. Кохоненаметод К-середніхнечіткий метод С-середніхнейро-фаззі мережаіндекс валідаціїensemble of neural networksT. Kohonen’s self-organizing mapsK-means methodfuzzy C-means methodneuro-fuzzy networkvalidation indexOther