Повышение эффективности инкрементной кластеризации нечетких данных

Повышение эффективности инкрементной кластеризации нечетких данных

Рассмотрена задача кластеризации данных динамических измерений. Эта задача решается статистическим инкрементным методом. Предложен последовательный инкрементный алгоритм кластеризации нечетких данных, в котором модель кластера и модель входного образа учитывают их центр и форму. Для оценки расстояни...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2012
Автор: Кадомский, К.К.
Формат: Стаття
Мова:Russian
Опубліковано: Інститут прикладної математики і механіки НАН України 2012
Назва видання:Труды Института прикладной математики и механики
Онлайн доступ:http://dspace.nbuv.gov.ua/handle/123456789/124081
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:Повышение эффективности инкрементной кластеризации нечетких данных / К.К. Кадомский // Труды Института прикладной математики и механики НАН Украины. — Донецьк: ІПММ НАН України, 2012. — Т. 24. — С. 124-133. — Бібліогр.: 21 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id irk-123456789-124081
record_format dspace
spelling irk-123456789-1240812017-09-20T03:03:45Z Повышение эффективности инкрементной кластеризации нечетких данных Кадомский, К.К. Рассмотрена задача кластеризации данных динамических измерений. Эта задача решается статистическим инкрементным методом. Предложен последовательный инкрементный алгоритм кластеризации нечетких данных, в котором модель кластера и модель входного образа учитывают их центр и форму. Для оценки расстояния между моделями предложена модификация расстояния Махаланобиса, которая сохраняет эвклидово расстояние в случае одноточечных моделей и позволяет сократить вычисления по сравнению с использованием расстояния Баттачария. Предложенный алгоритм позволяет повысить эффективность кластеризации по сравнению с существующими инкрементными алгоритмами и повысить скорость кластеризации по сравнению с итеративным ЕМ алгоритмом. Розглянуто задачу кластеризацiї даних динамiчних вимiрiв. Ця задача вирiшується статистичним iнкрементним методом. Запропоновано послiдовний iнкрементний алгоритм кластеризацiї нечiтких даних, в якому модель кластера та модель вхiдного образу враховують їх центр i форму. Для оцiнки вiдстанi мiж моделями запропоновано модифiкацiю вiдстанi Махаланобiса, яка зберiгає евклiдову вiдстань у випадку одноточкових моделей i дозволяє скоротити обчислення в порiвняннi з використанням вiдстанi Баттачарiя. Запропонований алгоритм дозволяє пiдвищити ефективнiсть кластеризацiї в порiвняннi з iснуючими iнкрементними алгоритмами та пiдвищити швидкiсть кла- стеризацiї в порiвняннi з iтеративним ЕМ алгоритмом. The problem of dynamic data clustering is addressed. This problem is solved by statistical incremental method. The sequential incremental fuzzy data clustering algorithm is proposed, in which the cluster model and the input model account for their center and shape. For estimating distance between models the modification of Mahalanobis distance is proposed, which preserves Euclidean distance in case of single-point models and allows reducing calculations in comparison with the use of Bhattacharyya distance. The proposed algorithm allows to improve clustering efficiency in comparison with existing incremental algorithms, and to improve clustering speed in comparison with iterative EM algorithm. 2012 Article Повышение эффективности инкрементной кластеризации нечетких данных / К.К. Кадомский // Труды Института прикладной математики и механики НАН Украины. — Донецьк: ІПММ НАН України, 2012. — Т. 24. — С. 124-133. — Бібліогр.: 21 назв. — рос. 1683-4720 http://dspace.nbuv.gov.ua/handle/123456789/124081 004.852 ru Труды Института прикладной математики и механики Інститут прикладної математики і механіки НАН України
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
language Russian
description Рассмотрена задача кластеризации данных динамических измерений. Эта задача решается статистическим инкрементным методом. Предложен последовательный инкрементный алгоритм кластеризации нечетких данных, в котором модель кластера и модель входного образа учитывают их центр и форму. Для оценки расстояния между моделями предложена модификация расстояния Махаланобиса, которая сохраняет эвклидово расстояние в случае одноточечных моделей и позволяет сократить вычисления по сравнению с использованием расстояния Баттачария. Предложенный алгоритм позволяет повысить эффективность кластеризации по сравнению с существующими инкрементными алгоритмами и повысить скорость кластеризации по сравнению с итеративным ЕМ алгоритмом.
format Article
author Кадомский, К.К.
spellingShingle Кадомский, К.К.
Повышение эффективности инкрементной кластеризации нечетких данных
Труды Института прикладной математики и механики
author_facet Кадомский, К.К.
author_sort Кадомский, К.К.
title Повышение эффективности инкрементной кластеризации нечетких данных
title_short Повышение эффективности инкрементной кластеризации нечетких данных
title_full Повышение эффективности инкрементной кластеризации нечетких данных
title_fullStr Повышение эффективности инкрементной кластеризации нечетких данных
title_full_unstemmed Повышение эффективности инкрементной кластеризации нечетких данных
title_sort повышение эффективности инкрементной кластеризации нечетких данных
publisher Інститут прикладної математики і механіки НАН України
publishDate 2012
url http://dspace.nbuv.gov.ua/handle/123456789/124081
citation_txt Повышение эффективности инкрементной кластеризации нечетких данных / К.К. Кадомский // Труды Института прикладной математики и механики НАН Украины. — Донецьк: ІПММ НАН України, 2012. — Т. 24. — С. 124-133. — Бібліогр.: 21 назв. — рос.
series Труды Института прикладной математики и механики
work_keys_str_mv AT kadomskijkk povyšenieéffektivnostiinkrementnojklasterizaciinečetkihdannyh
first_indexed 2023-10-18T20:45:38Z
last_indexed 2023-10-18T20:45:38Z
_version_ 1796151038088052736

Схожі ресурси