Метод автоматической классификации на базе нечеткого отношения сходства

• Published in: Кибернетика и системный анализ
• Date: 2016
• Main Authors: Гуляницкий, Л.Ф., Рясная, И.И.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2016
• Subjects: Кибернетика
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/131388
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Метод автоматической классификации на базе нечеткого отношения сходства / Л.Ф. Гуляницкий, И.И. Рясная // Кибернетика и системный анализ. — 2016. — Т. 52, № 1. — С. 34-41. — Бібліогр.: 7 назв. — рос.

Для решения задачи автоматической классификации предлагается IFC-метод нечеткой кластеризации, в котором используются новые нечеткие логические операторы — пороговые треугольные нормы и конормы. Данный метод отличается от методов кластеризации на основе нечеткого отношения эквивалентности тем, что позволяет разрабатывать более быстрые алгоритмы построения кластеров. При этом не искажаются данные о связях между элементами исследуемого множества, что обеспечивает прозрачность интерпретации результатов исследований. Приведены примеры применения метода к некоторым известным задачам. Для розв’язування задачі автоматичної класифікації запропоновано IFC-метод нечіткої кластеризації, у якому використовуються нові нечіткі логічні оператори — порогові трикутні норми і конорми. Цей метод відрізняється від методів кластеризації на основі нечіткого відношення еквівалентності тим,що дозволяє розробляти більш швидкі алгоритми побудови кластерів. При цьому не (спотворюються) змінюються дані про зв’язки між елементами множини, що досліджується. Це забезпечує прозорість інтерпретування результатів досліджень. Наведено приклади застосування методу до деяких відомих задач. The IFC-method of fuzzy clustering is proposed to solve the problem of automatic classification/ The method is based on new fuzzy logical operators: threshold triangular norms and conorms. This method differs from clustering methods based on fuzzy equivalence relation since it allows developing faster algorithms to generate clusters without distorting data on connections between elements of the studied set. This provides transparent interpretation of the results of research. The results of application of the method to some well-known problems are given