Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик

• Published in: Искусственный интеллект
• Date: 2013
• Main Authors: Ахметшина, Л.Г., Егоров, А.А., Удовик, И.М.
• Format: Article
• Language: Russian
• Published: Інститут проблем штучного інтелекту МОН України та НАН України 2013
• Subjects: Нейронные сети и нейросетевые технологии. Информационная безопасность ИС
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/85077
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик / Л.Г. Ахметшина, А.А. Егоров, И.М. Удовик // Искусственный интеллект. — 2013. — № 3. — С. 534–541. — Бібліогр.: 8 назв. — рос.

В статье предложен модифицированный алгоритм гибридной нечеткой кластеризации mdsFCM, который благодаря применению матрицы расстояний Махаланобиса в процессе подготовки центроидов к обработке сетью Кохонена и выполнения сжатия ее размера, позволяет повысить сходимость и, в ряде случаев, чувствительность при обработке многомерных данных. Представлены экспериментальные результаты применения предложенного модифицированного алгоритма mdsFCM для кластеризации низкоконтрастных цветных медицинских изображений. В статті запропоновано алгоритм гібридної нечіткої кластеризації mdsFCM, який завдяки застосуванню неевклідових метрик заснованих на використанні матриці коваріації, має більш високий рівень чутливості при обробці багатовимірних даних. Представлені експериментальні результати застосування запропонова- ного алгоритму для кластеризації низькоконтрастних кольорових медичних зображень. This article deals with the description of the hybrid fuzzy clustering algorithm mdsFCM which is used nonEuclidian distances based on calculation the covariance matrix. This algorithm has the greater level of sensitivity while processing multidimensional data. The experimental results of the application of proposed algorithm for low-contrast medical color images clustering are shown.