Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена

В статье предложен модифицированный алгоритм гибридной нечеткой кластеризации sFCM, в котором применяется динамическое сжатие размерности карты Кохонена, что позволяет снизить время обучения.  Представлены экспериментальные результаты применения предложенного алгоритма для кластеризации &am...

Full description

Saved in:

Bibliographic Details
Published in:	Штучний інтелект
Date:	2011
Main Author:	Егоров, А.А.
Format:	Article
Language:	Russian
Published:	Інститут проблем штучного інтелекту МОН України та НАН України 2011
Subjects:	Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/60498
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена / А.А. Егоров // Штучний інтелект. — 2011. — № 4. — С. 489-497. — Бібліогр.: 7 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860088758759587840
author	Егоров, А.А.
author_facet	Егоров, А.А.
citation_txt	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена / А.А. Егоров // Штучний інтелект. — 2011. — № 4. — С. 489-497. — Бібліогр.: 7 назв. — рос.
collection	DSpace DC
container_title	Штучний інтелект
description	В статье предложен модифицированный алгоритм гибридной нечеткой кластеризации sFCM, в котором применяется динамическое сжатие размерности карты Кохонена, что позволяет снизить время обучения. Представлены экспериментальные результаты применения предложенного алгоритма для кластеризации низкоконтрастных полутоновых медицинских изображений. У статті запропонований модифікований алгоритм гібридної нечіткої кластеризації sFCM, в якому застосовується динамічне стиснення розмірності карти Кохонена, що дозволяє знизити затрати часу на навчання. Представлені експериментальні результати застосування запропонованого алгоритму для кластеризації низькоконтрастних напівтонових медичних зображень. This article deals with the description of the modified hybrid fuzzy clustering algorithm SFCM, which is used Kohonen SOM dimension dynamical compressing, to deliver learning time decreasing. The experimental results of the application of proposed algorithm for low-contrast halftone image clustering are shown.
first_indexed	2025-12-07T17:21:57Z
format	Article
fulltext	«Штучний інтелект» 4’2011 489 8Е УДК 004.93 А.А. Егоров Днепропетровский национальный университет им. О. Гончара, г. Днепропетровск, Украина egorov@mayak.dp.ua Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена В статье предложен модифицированный алгоритм гибридной нечеткой кластеризации sFCM, в котором применяется динамическое сжатие размерности карты Кохонена, что позволяет снизить время обучения. Представлены экспериментальные результаты применения предложенного алгоритма для кластеризации низкоконтрастных полутоновых медицинских изображений. Введение В настоящее время при обработке данных приходится часто сталкиваться с необходимостью выполнения кластеризации, для осуществления которой разработано множество различных методов. Однако решение этой задачи часто осложняется такими факторами, как большой объем исходных данных и отсутствие априорных сведений о скрытых в них зависимостях. Первый фактор может накладывать на используемые методы кластеризации ограничения, связанные с быстродействием, а негативное влияние второго фактора обусловлено неизвестным числом кластеров, что является важнейшим управляющим параметром у большинства алгоритмов и неоднозначностью разделения исходных данных. Таким образом, интерес представляют методы кластеризации, позволяющие: – осуществлять подстройку числа кластеров в процессе работы; – учитывать неоднозначность разделения исходных данных между кластерами, что присуще, например, нечетким системам; – использовать самоорганизующиеся алгоритмы. Одним из способов подстройки числа кластеров в процессе работы является задание их избыточного числа с дальнейшим уменьшением их количества при обучении. Однако этот подход приводит к существенному возрастанию времени кластеризации, что неприемлемо, особенно при обработке данных в реальном режиме. Следовательно, интерес представляют такие алгоритмы кластеризации, которые позволяют, с одной стороны, обходиться без жесткого задания числа кластеров, учитывать неоднозначность разбиения данных и обучаться без учителя, а с другой стороны,  иметь компенсационные механизмы, направленные на снижение негативного влияния от возрастания вычислительных затрат в случае введения избыточного числа кластеров. В настоящее время существуют методы кластеризации, которые удовлетво- ряют ряду из приведенных выше требований. Примером таких методов являются нечеткие алгоритмы, позволяющие учитывать неоднозначность разбиения исходных Егоров А.А. «Искусственный интеллект» 4’2011 490 8Е данных между кластерами. Одним из активно применяемых методов нечеткой класте- ризации является алгоритм FCM (Fuzzy c-means), что связано как с его простотой, так и с достаточным для большинства задач уровнем чувствительности. При выпол- нении нечеткой кластеризации вводятся понятия нечетких кластеров и функции принадлежности объектов к ним, изменяющейся на отрезке [0,1], что позволяет оце- нить степень принадлежности объекта к тому или иному кластеру [1]. Однако не- достатком алгоритма FCM является необходимость задания неизменного числа нечетких кластеров. Другим часто используемым в настоящее время подходом к решению задачи кла- стеризации является применение нейронных сетей, обучаемых без учителя. Примером такой сети может служить карта Кохонена. При ее использовании задается двумерная сетка из нейронов, веса которых меняются в процессе обучения. Изменение происходит как у весов нейрона-победителя (определяется на основании минимума Евклидова расстояния до векторов исходных данных), так и у соседних нейронов [2]. Однако недостатками этого подхода является отсутствие учета неоднозначного разделения данных между нейронами в явном виде и необходимость задания размерности сети перед началом обучения. Постановка задачи Перспективным подходом являются нейро-фаззи алгоритмы, представляющие собой объединение нечеткой кластеризации и нейронной сети в пределах одного метода. Примером реализации такого подхода может служить алгоритм гибридной нечеткой кластеризации sFCM, представленный в работе [3]. Применение этого метода позволяет повысить чувствительность кластеризации и уменьшить время ее выполнения. Однако базовый алгоритм sFCM также требует задания начального значения неизменного числа нечетких кластеров. В работе [4] была предложена модификация алгоритма sFCM, в которой применяется динамическое сжатие функции принадлежности, что приводит к уменьшению их числа. Однако такой подход требует, чтобы начальное число нечетких кластеров было задано с избытком, позволяющим выполнить их последующее динами- ческое уменьшение. Это приводит к повышению вычислительной нагрузки, что особенно заметно при увеличении числа нечетких кластеров перед применением сети Кохонена. Целью данной статьи является снижение временных затрат на работу метода гибридной нечеткой кластеризации sFCM, что достигается благодаря его модификации за счет двухэтапного динамического сжатия размерности карты Кохонена. Решение задачи Предложенный модифицированный метод гибридной нечеткой кластеризации sFCM состоит из следующих шагов: 1. Инициализация числа кластеров c , значения m (экспоненциальный вес нечет- кой кластеризации), начальных значений центров нечетких классов 0 fcmv (например, путем равномерного заполнения значениями векторов исходных данных). 2. Формирование начальных значений весов нейронов карты Кохонена, раз- мерность которой выбирается равной ]1,*[ cN , где N  коэффициент увеличения количества кластеров (рекомендуемые значения  2 или 4). Каждый новый центр нечетких кластеров получается на основе значений из матрицы 1t fcmv центров пре- дыдущей итерации методом пропорционального распределения [5]. Повышение быстродействия метода гибридной нечеткой кластеризации… «Штучний інтелект» 4’2011 491 8Е Вычисляется матрица Евклидовых расстояний в q-мерном пространстве между нечеткими кластерами. Производится упорядочение центров кластеров, в результате чего формируется вектор d , содержащий расстояния между соседними центрами. Между каждой парой центров нечетких кластеров формируются новые центроиды по следующему алгоритму: а) вычисляется вектор  :     },...,1{},1,...,1{, ,1 1 , 1 qjckvv jk t fcmjk t fcmj    , (1) где q  количество информативных признаков, описывающих каждый экзем- пляр данных; б) значение ctr kN уменьшается на 1, пока выполняются условия: 0ctr kN и   min1/ dN ctr kj  , (2) причем каждый элемент вектора ctrN содержит число новых центров кластеров между парами исходных центроидов. Эти значения прямо пропорциональны расстоянию между соседними исходными центрами:              sum cc sum kkctr k d d d d cNN ,11, 11 , (3) где sumd  сумма элементов вектора d , а mind вычисляется так:  ctrNcNdd maxminmin 2/  , (4) причем mind  минимальный элемент вектора d , а ctrNmax  максимальный элемент вектора ctrN ; в) если 0ctr kN , то формируется очередной новый вектор центров  0t somv :       },...,1{,1/ 1,, 10 , cNLNvv ctr kkjjk t fcmjL t som    . (5) В случае, когда Евклидово расстояние от L -го центра до одного из предшест- вующих ему 1L центроидов не превышает mind , этот центр удаляется из вектора  0t somv . Это замечание касается и исходных центров кластеров. Таким образом про- исходит первоначальное уменьшение количества нейронов, количество которых не может быть меньше, чем c . 3. Кластеризация исходных данных картой Кохонена, в процессе которой про- исходит динамическое сжатие размерности сети: 3.1 Инициализация управляющих параметров нейронной сети. При этом в качестве начальных значений весов нейронов используется векторы  0t somv . На ос- новании многочисленных экспериментальных исследований рекомендуется исполь- зовать следующие управляющие параметры: – в качестве функции соседства выбирать функцию Гаусса; – нейроны располагать в столбец; – формировать вектор радиусов влияния каждого нейрона из натуральных Егоров А.А. «Искусственный интеллект» 4’2011 492 8Е чисел от 0 1r до 1, причем: 3/00 1 nNr  , (6) где 0 nN  начальное количество нейронов; – количество шагов обучения maxi выбирать равным длине вектора радиусов. 3.2 Вычисление значения maxp по следующим формулам:   0 max2 /5.00 maxmax p pp   , (7)   0 min 00 max / nn NNp  , (8) причем  min 0 nN  количество нейронов после предварительного сжатия, выполняемого согласно пунктам 6.1 – 6.4, 6.7, 6.8. При этом  02/ nc NcN  , а минимально до- пустимое число нейронов cc min . 3.3 Каждый шаг обучения карты Кохонена содержит следующие действия: 3.3.1 попытка уменьшения числа нейронов, если: maxmax/ pii  , (9) где i  номер текущей итерации обучения, причем maxii  . При выполнении сжатия 0 max 2 n c N pc N    , а  ii i cN cc n         max max 0 min . В случае уменьшения коли- чества нейронов вычисляется значение ir1 по формуле (6) и разность ii rrr 1 1 11   . Если 01 r , то номер текущей итерации увеличивается на значение 1r ; 3.3.2 на основе Евклидовых расстояний для каждого экземпляра исход- ных данных определяется ближайший к нему нейрон (нейрон-победитель); 3.3.3 происходит модификация весов нейронов-победителей и соседних с ними нейронов, определяемых с помощью выбранной функции соседства; 3.3.4 переход к следующей итерации, если maxii  . 4. Получение новых значений центров нечетких кластеров t somv путем вы- бора c значимых центров из матрицы весов нейронов, полученной в результате обучения карты Кохонена. Этот выбор является нетривиальной задачей и оказывает влияние на чувствительность метода. 5. Вычисление текущих значений функции принадлежности u :                                                                               ni ck vX vX u c L m q j Lk t somji q j jk t somji ik ,...,1 ,,...,1 )( )( 1 1 1 2 2/1 1 2 ,, 2/1 1 2 ,, , , (10) где n  число экземпляров данных, а X  исходные данные. Повышение быстродействия метода гибридной нечеткой кластеризации… «Штучний інтелект» 4’2011 493 8Е 6. Динамическое сжатие функции принадлежности на основе расстояний между центрами нечетких кластеров происходит итеративно по следующему алгоритму: 6.1 определение матрицы расстояний в q-мерном пространстве между центрами нечетких кластеров 0d и значений минимального ненулевого 0 mind и максимального 0 maxd расстояний; 6.2 автоматическое определение значений 1 ad и 2 ad  минимально до- пустимых расстояний между центрами кластеров  на основе статистических характе- ристик и по изменению производной, соответственно.   1 1 1111 / 1 d n i icca ndddd d            , (11)  )max(5.0,min 111 dddc  , (12) где 1d  среднее по вектору 1d , который состоит из 1 dn элементов 0 id матрицы 0d , удовлетворяющих условию:   0 1 0000 / 0 d n j jcci ndddd d            , (13) )5.0,min( 0 max 00 dddc  , (14) где 0d  среднее по матрице 0d . Расстояние 2 ad вычисляется следующим образом: а) на основании матрицы 0d формируется отсортированная по возрастанию последовательность расстояний; б) для каждого элемента в последовательности вычисляется его производная по отношению к 1-у элементу и производится поиск минимального значения этой производной; в) значение 2 ad вычисляется как среднее между элементом последователь- ности с минимальным значением производной и следующим за ним элементом; 6.3 выбор минимального ( mind ) из расстояний 1 ad , 2 ad и   cNdd  0 min 0 max , что позволяет избежать негативного влияния от использования слишком большого значения параметра cN , который может изменяться от 0 до 1, причем при значениях cN , больших 0.2, как правило, автоматически выбирается 1 ad или 2 ad . Если 0min d или не существует расстояния между двумя нечеткими кластерами, меньшего mind , то переход к пункту 6.9; 6.4 изменение каждого центра кластера, отличного от двух выбранных:       )()1( dd t fcmdk t fcmk t fcm vvv  , (15)      skdkdd kdsdd  ,,/ , 0 , 0 , (16) Егоров А.А. «Искусственный интеллект» 4’2011 494 8Е где sd ,  индексы выбранных для сжатия удаляемого и модифицируемого центров, соответственно;   sdd , 0  расстояние между выбранными центрами;   jdd , 0  расстояние между удаляемым и одним из оставшихся центров. По формуле (15) мод- ифицируются и центры 1t fcmv ; 6.5 изменение функции принадлежности iku , к каждому из кластеров для каждого из векторов исходных данных:  )(),1(max ,,, diddikik uuu  , (17) где idu ,  функция принадлежности к удаляемому кластеру; 6.6 изменение функции принадлежности (путем выполнения нечеткой операции объединения) для двух выбранных центров кластеров, которое отобра- жается для модифицируемого центра. Затем происходит сжатие путем отбрасывания функций принадлежности удаляемого кластера; 6.7 преобразованию, описанному в пункте 6.6, подвергаются векторы центров нечетких кластеров t somv и 1t fcmv , причем изменение модифицируемого центра кластера происходит с помощью усреднения; 6.8 если количество нечетких кластеров, полученных после сжатия, боль- ше, чем minc (как правило, равно 2), то переход к пункту 6.1, а иначе  к пункту 6.9; 6.9 масштабирование полученной после сжатия функции принадлежности к нечетким кластерам для каждого экземпляра исходных данных, чтобы удовлетво- рялось условие 1 1 ,   c k iku . 7. Вычисление значений векторов центров нечетких кластеров t fcmv , которые будут использованы в начале следующей итерации:               n i m ik n i ji m ikjk t fcm uXuv 1 , 1 ,,, /)( . (18) 8. Если выполняются условия:                 c vv c k q j jk t fcmjk t fcm 1 1 2 , 1 , , (19)  1t xb t xb VV или  1t fz t fz VV , (20) где   пороговое значение, а t xbV , 1t xbV и t fzV , 1t fzV  показатели Ксие-Биени и нечеткости текущей и предыдущей итераций соответственно, которые вычисляются по следующим формулам [6]:       2 min 1 1 1 2 ,,, /)( dnvXuV c k n i q j jk t fcmji m ikxb             , (21) Повышение быстродействия метода гибридной нечеткой кластеризации… «Штучний інтелект» 4’2011 495 8Е   nuV c k n i m ikfz / 1 1 ,              , (22) причем mind  минимальное расстояние между центрами нечетких кластеров, то выполняется переход к пункту 2. Таким образом, в предложенном методе кластеризации происходит двухэтапное сжатие размерности нейронной сети: предварительное  перед началом кластеризации картой Кохонена при формировании новых центров нечетких кластеров для повышения чувствительности, и динамическое  в процессе обучения. Экспериментальные результаты были получены при обработке различных низкоконтрастных изображений, в том числе медицинских, примером которых служат полутоновые снимки, представленные на рис. 1а (спин-решетчатая Т1 релаксация ЯМР (ядерного магнитного резонанса) участка головного мозга) и рис. 2а (результаты томограммы). При кластеризации приведенных на рис. 1 а и 2 а изображений использовались следующие значения управляющих параметров: 20c (выбиралось с запасом, чтобы благодаря динамическому сжатию функции принадлежности определить рекомен- дуемое количество нечетких кластеров); 4N ; после применения карты Кохонена выбирались центры кластеров с максимальным количеством относящихся к ним (имеющих минимальное Евклидово расстояние) векторов исходных данных; 5,0cN (приводит к автоматическому формированию минимально допустимого расстояния между кластерами при сжатии); сжатие выполнялось на основе матрицы Евклидовых расстояний. Визуализация результатов нечеткой кластеризации производилась на основе сравнения с исходными данными [7]. При кластеризации методом sFCM снимка, приведенного на рис. 1а, как без умень- шения числа нейронов (рис. 1б), так и с предварительным снижением размерности ней- ронной сети (рис. 1в) и двухэтапным сжатием (рис. 1г), не было выявлено существенных различий в результирующих изображениях, что свидетельствует о неизменном уровне чувствительности. Однако для получения изображений, приведенных на рис. 1в и 1г, было затрачено на 18 и 42% меньше времени, соответственно, чем на формирование изображения на рис. 1б. Это достигалось благодаря снижению числа нейронов (в сред- нем, на 9 и 40% для изображений, представленных на рис. 1 в и 1 г, соответственно), что приводило к пропорциональному уменьшению количества итераций обучения сети Кохонена. При кластеризации методом sFCM снимка, приведенного на рис. 2а, как без уменьшения количества нейронов (рис. 2б), так и с предварительным снижением размерности нейронной сети (рис. 2в), не было выявлено различий в полученных после обработки изображениях, что свидетельствует о неизменном уровне чувствительности. Однако применение двухэтапного сжатия (рис. 2г) позволило повысить чувствитель- ность за счет более четкого выделения гематомы и области ее влияния. При этом для получения изображений, приведенных на рис. 2 в и 2 г, было затрачено на 23 и 46% меньше времени соответственно, чем на формирование изображения на рис. 2 б. Это до- стигалось благодаря снижению числа нейронов (в среднем, на 7 и 39% для изобра- жений, представленных на рис. 2в и 2г, соответственно), что приводило к пропорцио- нальному уменьшению количества итераций обучения сети Кохонена. Егоров А.А. «Искусственный интеллект» 4’2011 496 8Е а б в г Рисунок 1 – Кластеризация медицинского изображения: а  исходный снимок (256 х 256 пикселей); результаты кластеризации методом sFCM: б  без уменьшения числа нейронов карты Кохонена; в  с первоначальным; г  двухэтапным сжатием а б в г Рисунок 2 – Кластеризация медицинского изображения: а  исходный снимок (204 х 201 пикселей); результаты кластеризации методом sFCM: б  без уменьшения числа нейронов карты Кохонена; в  с первоначальным; г  двухэтапным сжатием Следует заметить, что эффект сжатия размерности карты Кохонена отчетливее заметен на начальных итерациях работы алгоритма sFCM, пока количество нечетких кластеров еще не уменьшено. В рассмотренных примерах сжатие в этих случаях достигает 58 и 64% для одно- и двухэтапного сжатия соответственно, при класте- ризации изображения, представленного на рис. 1а, и 30 и 70% соответственно для изображения, приведенного на рис. 2а. Выводы Благодаря осуществлению двухэтапного динамического сжатия размерности карты Кохонена в предложенном модифицированном алгоритме гибридной нечеткой класте- ризации sFCM достигается существенное снижение временных затрат без потери чув- ствительности. При этом в некоторых случаях удается добиться повышения не только быстродействия, но и чувствительности за счет удаления несущественных нейронов. Эффект от уменьшения количества нейронов особенно заметен на первых итерациях обучения, пока не выполнено динамическое сжатие нечеткой функции принадлежности. Литература 1. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH / Леоненков А. – С.-Пб: БХВ–Петербург, 2003. – 719 с. 2. Кохонен Т. Самоорганизующиеся карты / Кохонен Т. ; [пер. 3 англ. изд. В.Н. Агеева ; под ред. Ю.В. Тюменцева].  М. : Бином. Лаборатория знаний, 2008.  665 с. Повышение быстродействия метода гибридной нечеткой кластеризации… «Штучний інтелект» 4’2011 497 8Е 3. Ахметшина Л.Г. Сегментация низко контрастних изображений алгоритмом гибридной кластери- зации SOM-FCM / Л.Г. Ахметшина, А.А. Егоров // Системні технологіі. – Дніпропетровськ, 2008. – Вип. 2 (55). – С. 34-40. 4. Ахметшина Л.Г. Динамическое сжатие функции принадлежности на основании расстояний между центроидами в алгоритме гибридной нечеткой кластеризации. / Л.Г. Ахметшина, А.А. Егоров / Прикладна геометрія та інженерна графіка.  2010.  Вип. № 84, т. 1.  С. 88-92. 5. Ахметшина Л.Г. Повышение чувствительности гибридной нечеткой кластеризации на основе формирования центроидов пропорционально расстояниям в q-мерном пространстве / Л.Г. Ах- метшина, А.А. Егоров // Геометричне та комп’ютерне моделювання.  2009.  Вип. 24.  С. 193-198. 6. Рутковский Л. Методы и технологии искусственного интеллекта / Рутковский Л.  М., 2010.  600 с. 7. Егоров А.А. Визуализация результатов нечеткой кластеризации на основе сравнения с исходными данными. / А.А. Егоров // Матеріали VI міжнародної науково-практичної конференції : «Матема- тичне та програмне забезпечення інтелектуальних систем». – 2008. – С. 117-118. Literatura 1. Leonenkov A. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH. S.P.: BHV-Peterburg. 2003. 719 s. 2. Kohonen T. Samoorganizujushhiesja karty. M.: Binom. Laboratorija znanij. 2008. 665 s. 3. Ahmetshina L.G. Systemnі tehnologіі. Dnіpropetrovs’k. Vyp 2 (55). 2008. S. 34-40. 4. Ahmetshina L.G. Prykladna geometrіja ta іnzhenerna grafіka. Vyp 84. T 1. 2010. S. 88-92. 5. Ahmetshina L.G. Geometrychne ta komp’juterne modeljuvannja. Vyp 24. 2009. S. 193-198. 6. Rutkovskij L. Metody i tehnologii iskusstvennogo intellekta. M. 2010. 600 s. 7. Egorov A.A. Materіali VI mіzhnarodnoi naukovo-praktichnoi konferencіi “Matematechne ta programne zabezpechennja іntelektual’nih sestem”. 2008. S. 117-118. А.О. Єгоров Підвищення швидкодії в методі гібридної нечіткої кластеризації за рахунок динамічного стиснення розмірності карти Кохонена У статті запропонований модифікований алгоритм гібридної нечіткої кластеризації sFCM, в якому застосовується динамічне стиснення розмірності карти Кохонена, що дозволяє знизити затрати часу на навчання. Представлені експериментальні результати застосування запропонованого алгоритму для кластеризації низькоконтрастних напівтонових медичних зображень. A.A. Yegorov The Performance Improvement of the Hybrid Fuzzy Clustering Method Based on Dynamical Compressing of Kohonen SOM Dimension This article deals with the description of the modified hybrid fuzzy clustering algorithm SFCM, which is used Kohonen SOM dimension dynamical compressing, to deliver learning time decreasing. The experimental results of the application of proposed algorithm for low-contrast halftone image clustering are shown. Статья поступила в редакцию 10.07.2011.
id	nasplib_isofts_kiev_ua-123456789-60498
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-12-07T17:21:57Z
publishDate	2011
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Егоров, А.А. 2014-04-15T18:55:42Z 2014-04-15T18:55:42Z 2011 Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена / А.А. Егоров // Штучний інтелект. — 2011. — № 4. — С. 489-497. — Бібліогр.: 7 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/60498 004.93 В статье предложен модифицированный алгоритм гибридной нечеткой кластеризации sFCM, в котором применяется динамическое сжатие размерности карты Кохонена, что позволяет снизить время обучения. Представлены экспериментальные результаты применения предложенного алгоритма для кластеризации низкоконтрастных полутоновых медицинских изображений. У статті запропонований модифікований алгоритм гібридної нечіткої кластеризації sFCM, в якому застосовується динамічне стиснення розмірності карти Кохонена, що дозволяє знизити затрати часу на навчання. Представлені експериментальні результати застосування запропонованого алгоритму для кластеризації низькоконтрастних напівтонових медичних зображень. This article deals with the description of the modified hybrid fuzzy clustering algorithm SFCM, which is used Kohonen SOM dimension dynamical compressing, to deliver learning time decreasing. The experimental results of the application of proposed algorithm for low-contrast halftone image clustering are shown. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Нейронные сети и нейросетевые технологии. Информационная безопасность ИС Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена Підвищення швидкодії в методі гібридної нечіткої кластеризації за рахунок динамічного стиснення розмірності карти Кохонена The Performance Improvement of the Hybrid Fuzzy Clustering Method Based on Dynamical Compressing of Kohonen SOM Dimension Article published earlier
spellingShingle	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена Егоров, А.А. Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
title	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена
title_alt	Підвищення швидкодії в методі гібридної нечіткої кластеризації за рахунок динамічного стиснення розмірності карти Кохонена The Performance Improvement of the Hybrid Fuzzy Clustering Method Based on Dynamical Compressing of Kohonen SOM Dimension
title_full	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена
title_fullStr	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена
title_full_unstemmed	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена
title_short	Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена
title_sort	повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты кохонена
topic	Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
topic_facet	Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
url	https://nasplib.isofts.kiev.ua/handle/123456789/60498
work_keys_str_mv	AT egorovaa povyšeniebystrodeistviâmetodagibridnoinečetkoiklasterizaciizasčetdinamičeskogosžatiârazmernostikartykohonena AT egorovaa pídviŝennâšvidkodíívmetodígíbridnoínečítkoíklasterizacíízarahunokdinamíčnogostisnennârozmírnostíkartikohonena AT egorovaa theperformanceimprovementofthehybridfuzzyclusteringmethodbasedondynamicalcompressingofkohonensomdimension

Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена

Institution

Similar Items