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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Труды Института прикладной математики и механики
Datum:2012
1. Verfasser: Кадомский, К.К.
Format: Artikel
Sprache:Russian
Veröffentlicht: Інститут прикладної математики і механіки НАН України 2012
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/124081
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren: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.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-124081
record_format dspace
spelling Кадомский, К.К.
2017-09-19T20:09:21Z
2017-09-19T20:09:21Z
2012
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
https://nasplib.isofts.kiev.ua/handle/123456789/124081
004.852
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.
ru
Інститут прикладної математики і механіки НАН України
Труды Института прикладной математики и механики
Повышение эффективности инкрементной кластеризации нечетких данных
Пiдвищення ефективностi iнкрементної кластеризацiї нечiтких даних
Efficient incremental clustering of fuzzy data
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Повышение эффективности инкрементной кластеризации нечетких данных
spellingShingle Повышение эффективности инкрементной кластеризации нечетких данных
Кадомский, К.К.
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
author Кадомский, К.К.
author_facet Кадомский, К.К.
publishDate 2012
language Russian
container_title Труды Института прикладной математики и механики
publisher Інститут прикладної математики і механіки НАН України
format Article
title_alt Пiдвищення ефективностi iнкрементної кластеризацiї нечiтких даних
Efficient incremental clustering of fuzzy data
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. 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.
issn 1683-4720
url https://nasplib.isofts.kiev.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.
work_keys_str_mv AT kadomskiikk povyšenieéffektivnostiinkrementnoiklasterizaciinečetkihdannyh
AT kadomskiikk pidviŝennâefektivnostiinkrementnoíklasterizaciínečitkihdanih
AT kadomskiikk efficientincrementalclusteringoffuzzydata
first_indexed 2025-12-07T18:59:37Z
last_indexed 2025-12-07T18:59:37Z
_version_ 1850877125446336512

Ähnliche Einträge