Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик
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 слу...
Збережено в:
| Опубліковано в: : | Искусственный интеллект |
|---|---|
| Дата: | 2013 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/85077 |
| 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: | 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. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860270817106984960 |
|---|---|
| author | Ахметшина, Л.Г. Егоров, А.А. Удовик, И.М. |
| author_facet | Ахметшина, Л.Г. Егоров, А.А. Удовик, И.М. |
| citation_txt | 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. |
| collection | DSpace DC |
| container_title | Искусственный интеллект |
| description | 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.
|
| first_indexed | 2025-12-07T19:06:11Z |
| format | Article |
| fulltext |
ISSN 1561-5359 «Искусственный интеллект» 2013 № 3 534
7А
УДК 004.93
Л.Г. Ахметшина, А.А. Егоров, И.М. Удовик
Днепропетровский национальный университет имени Олеся Гончара, Украина
Украина, 49050, г. Днепропетровск, ул. Научная, 13
Улучшение сходимости нейро-фаззи
кластеризации многомерных данных
при использовании неевклидовых метрик
L.G. Achmetshina, А.А. Yegorov, I.M. Udovick
Dniepropetrovsk National University named by Oles Hochar, Ukraine
Ukraine, 49050, c. Dniepropetrovsk, Nauchnaja av., 13
The Sensitivity of The Neuro-fuzzy
Clustering Improvement Based On Non-Euclidian Metrics
Л.Г. Ахметшина, А.О. Єгоров, І.М. Удовик
Дніпропетровський національний університет імені Олеся Гончара, Україна
Україна, 49050, г. Дніпропетровськ, вул. Наукова, 13
Підвищення чутливості нейро-фаззі кластеризаціі
багатовимірних даних на основі неевклідових метрик
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.
Ключевые слова: многомерные изображения, нейро-фаззи кластеризация,
меры расстояний, сегментация, неевклидовые метрики.
This article deals with the description of the hybrid fuzzy clustering algorithm mdsFCM which is used non-
Euclidian 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.
Keywords: multidimensional images, neuro-fuzzy clustering, distance measures, segmentation,
non-Euclidean metrics.
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.
Ключові слова: багатовимірні зображення, нейро-фаззі кластеризація, міри відстані,
сегментація, неевклідові метрики.
Введение
Кластеризация является одной из часто решаемых задач, возникающих при
обработке и анализе данных. И хотя на сегодняшний день разработано более 200 раз-
личных методов выполнения кластеризации их эффективность существенно меняется в
зависимости от решаемой задачи и специфики входных данных.
Улучшение сходимости нейро-фаззи кластеризации многомерных данных...
«Штучний інтелект» 2013 № 3 535
7А
Достаточно часто для решения задачи кластеризации применяются нечеткие
или нейросетевые алгоритмы. Одним из самых распространенных нечетких алгоритмов
является FCM (Fuzzy c-means) [1], что обусловлено его простотой и достаточной для
многих задач чувствительностью. Однако этот метод не учитывает, специфику объектов,
имеющих множество информативных признаков, в отличие от алгоритмов Густафсона-
Кесселя и FMLE (Fuzzy Maximum Length Estimates) [2], которые используют неев-
клидовые метрики, основанные на вычислении матрицы ковариации, что позволяет
повысить достоверность анализа многомерных данных.
Среди нейросетевых алгоритмов интерес представляют сети, обучающиеся без
учителя, примером которой является самоорганизующаяся карта Кохонена (SOM),
отличающаяся простотой архитектуры, относительно высоким быстродействием и
не требующая длительной процедуры настройки весов [3].
Популярным в настоящее время также является нейро-фаззи технология выполне-
ния кластеризации, предполагающая объединение нечеткого алгоритма и нейронной
сети в пределах одного метода для повышения чувствительности или быстродействия.
В работе [4] был предложен метод гибридной нечеткой кластеризации многомерных
данных mdsFCM, являющийся примером реализации такой технологии. Этот метод
представляет собой объединение нечеткого алгоритма, использующего неевклидовые
метрики, и SOM, применяемой на каждой итерации для уточнения значений центроидов
с целью повышения чувствительности.
Постановка задачи
Для повышения чувствительности в методе mdsFCM перед применением SOM
осуществляется формирование дополнительных значений центроидов на основе
применения метода пропорционального распределения [5]. Соответственно, после
выполнения кластеризации сетью Кохонена, в процессе которой осуществляется
динамическое уменьшение ее размера, вычисляются значения центроидов текущей
итерации на основе выбора наиболее значимых нейронов.
Целью данной статьи является улучшение сходимости и достоверности метода
гибридной нечеткой кластеризации многомерных данных mdsFCM за счет применения
матрицы расстояний Махаланобиса в процессе увеличения числа центроидов, сжатия
размерности карты Кохонена и выбора наиболее значимых нейронов при формиро-
вании центров кластеров текущей итерации.
Решение задачи
Предложенный модифицированный метод гибридной нечеткой кластеризации
многомерных данных mdsFCM состоит из двенадцати шагов.
1. Инициализация начальных значений числа нечетких кластеров c и центроидов
0
fcmv ; экспоненциального веса нечеткой кластеризации m ; коэффициента увеличе-
ния числа нечетких кластеров
e
N .
2. Формирование начальных значений векторов весов нейронов SOM на осно-
вании матрицы центроидов предыдущей итерации 1t
fcm
v
− , количество которых выбирается
равной ],cN[
e
1⋅ (одномерная структура − столбец). Дополнительные значения 1t
fcm
v
−
вычисляется методом пропорционального распределения − формирования для каждой
пары упорядоченных центров 1t
fcm
v
− новых центроидов, количество которых пропор-
ционально расстоянию Махаланобиса между ними.
Ахметшина Л.Г., Егоров А.А., Удовик И.М.
«Искусственный интеллект» 2013 № 3 536
7А
3. Кластеризация исходных данных с помощью SOM, происходящая в два этапа:
грубая и тонкая настройка весов нейронов. При этом на каждой итерации выпол-
няется динамическое уменьшение размерности сети, основанное на использовании
матрицы расстояний Махаланобиса между нейронами, которая рассчитывается с
применением их весов.
4. Получение новых значений центров нечетких кластеров t
som
v путем выбора
c значимых центров из матрицы весов нейронов, полученной в результате обучения
SOM. В процессе этого выбора применяется матрица расстояний Махаланобиса
между нейронами.
5. Вычисление текущих значений функции принадлежности t
u :
{ }
{ }
∈∀
∈∀
= ∑
=
−
−
ni
ck
D
D
u
c
L
m
Li
kit
ik
,...,1
,,...,1
1
1
2
,
,
,
, (1)
где n − число экземпляров данных, а D − матрица расстояний между экземп-
лярами исходных данных X и центрами нечетких кластеров, которая вычисляется по
следующей формуле:
( )( ) ( )( ) { } { }( )c,...,k,n,...,i,vXAvXD
k
t
somi
T
k
t
somik,i 11 ∈∀∈∀−⋅⋅−= , (2)
причем { }( )c,...,1k,AA
t
k
∈∀= . Следует отметить, что способ формирования матриц
t
kA влияет на чувствительность кластеризации.
6. Автоматическое определение количества нечетких кластеров благодаря ди-
намическому сжатию функции принадлежностей, на основе расстояний между центрами
нечетких кластеров.
7. Формирование матрицы центров нечетких кластеров t
fcm
v , которые будут
использованы в начале следующей итерации:
( ) ( )∑∑
==
⋅=
n
i
m
ik
n
i
ji
m
ikjk
t
fcm
uXuv
1
,
1
,,, /)( . (3)
8. Вычисление значения
t
v
∆ − среднего по матрице расстояний между центрами
нечетких кластеров t
fcm
v и 1t
fcm
v
− , а также критериев t
xb
V и t
fz
V , которые являются
показателями Ксие-Биени и нечеткости текущей итерации, соответственно, следующим
образом [5]:
( ) ( )( ) ( )( )2
1 1 1
2
min
c
k
n
i
q
j
j,k
t
fcmj,i
mt
i,k
t
xb dn/vXuV ⋅
−⋅= ∑∑ ∑
= = =
, (4)
( ) n/uV
c
1k
n
1i
2t
i,k
t
fz
= ∑ ∑
= =
, (5)
где mind − минимальное Евклидово расстояние между центрами нечетких кластеров.
9. Если выполняется условие max
fz
t
fz
CC ≥ , причем t
xb
t
fz
t
fz
V/VC = , а max
fz
C −
максимальный из коэффициентов t
fz
C , то запоминаются следующие значения:
t
v
max
v
∆=∆ , t
fz
max
fz
CC = , tmax
uu = и max
.
t
fcm fcmv v= .
Улучшение сходимости нейро-фаззи кластеризации многомерных данных...
«Штучний інтелект» 2013 № 3 537
7А
10. Если разность ( )1t,
1t
v
t
v
>∀∆−∆
− меняет свой знак, 2, 4, 8 и т.д. раз, то по-
роговое значение ε увеличивается в 10 раз.
11. Если не выполняются условия:
ε<∆
t
v
или ( ε<−
−1t
xb
t
xb
VV и ε<−
−1t
fz
t
fz
VV ), (6)
( ) { }( )11
1
1 1
2
1
,...,tt,c/vv
c
k
q
j j,k
t
fcmj,k
t
fcm −∈∀ε<
−∑ ∑
= =
, (7)
где 1−t
xb
V и 1−t
fz
V − показатели Ксие-Биени и нечеткости предыдущей итераций,
соответственно, то осуществляется переход к пункту 2.
12. Если выполняется условие:
max
fz
t
fz
CC < и ( max
v
t
v
∆>∆ или ( max
v
t
v
∆<∆ и
c
pp
v
>
∆
)), (8)
причем
min
fz
max
fz
max
fz
t
fz
max
fz
t
fz
c
CC)C,Cmax(
CC
p
−
⋅
−
=
1 , (9)
( ) min
v
'
max
v
max
v
t
v
max
v
t
v
),max(
p
v
∆−∆
⋅
∆∆
∆−∆
=
∆
1 , (10)
где min
fz
C и min
v∆ − минимальные значения параметров t
fz
C и t
v∆ , соответственно,
а ( )'max
v∆ − максимальное значение критерия t
v∆ , то происходит возврат к сохраненным
значениям матриц нечеткой функции принадлежностей max
u и центров нечетких
кластеров max
fcm
v , которые и являются результатом обучения.
В данной работе t
kA перед применением формулы (2) формировались с исполь-
зованием нечеткой матрицы ковариации по формуле:
( )( ) ( ) 1t
k
q/1t
kk
t
k
F*Fdet*A
−
ρ= , (11)
где kρ − константа, отражающая знания о данных подлежащих группированию
(если таких знаний до начала кластеризации нет, то { }( )c,...,1k,1k ∈∀=ρ ), а
t
kF − так
называемая нечеткая матрица ковариации k-й группы − формируется следующим
образом:
( )( ) ( )( ) ( )( )
( )( )
{ }( )c,...,1k,
u
vXvXu
F
n
1i
m
k,i
t
som
n
1i
T
k
t
somik
t
somi
m
k,i
t
som
t
k
∈∀
−−
=
∑
∑
=
= , (12)
причем t
somu вычисляется по формуле (1), при использовании которой форми-
рование матриц
t
kF , необходимых для получения
t
kA , осуществляется по формуле:
( )( ) ( )( ) { }( )c,...,1k,vXvXF
n
1i
T
k
t
somik
t
somi
t
k
∈∀−−= ∑
=
. (13)
Ахметшина Л.Г., Егоров А.А., Удовик И.М.
«Искусственный интеллект» 2013 № 3 538
7А
При этом 0
u вычисляется по формуле (2) с использованием матриц 0
v и IA = ;
Экспериментальные результаты были получены при обработке различных
цветных низкоконтрастных изображений, в том числе медицинских, примером которых
служат RGB снимки, приведенные на рис. 1 а и 2 а, представляющие собой результаты
дерматоскопии с целью диагностирования меланомы по визуальным признакам, среди
которых основными являются наличие бело-синих структур и пятен неправильной
формы.
При кластеризации использовались следующие значения управляющих парамет-
ров: 5N
e
= (рекомендуемые значения − 5 или 6, а допустимые значения − целые
числа от 2 до 8); после применения карты Кохонена выбирались центры кластеров
на основе максимума показателя обоснованности кластера [6]. Суть метода заключа-
ется в последовательном выборе c нейронов, для которых значение показателя
kVal
обоснованности кластера [7] максимально. Показатель
k
Val для каждого нейрона
рассчитывается следующим образом:
( )( ) { } { }( )n,...,i,cN,...,k,duVal
n
i
i,ki,kk 11
1
2
∈∀⋅∈∀⋅= ∑
=
, (14)
где
ik
d
,
− Евклидово расстояние от центра k -го нейрона до каждого экземпляра
исходных данных. Визуализация результатов нечеткой кластеризации производилась
методом сравнения с исходными данными на основе максимального соответствия
[8]. Размерность карты Кохонена выбиралась равно 16×14 нейронов.
При обработке изображения на рис. 1 а методом mdsFCM применялось динами-
ческое сжатие нечеткой функции принадлежностей (на основе матрицы расстояний
Махаланобиса), причем 20=c . При кластеризации снимка на рис. 2 а динамическое
сжатие не выполнялось, а 6=c .
а б в
г д
Рисунок 1 − Кластеризация цветного медицинского изображения:
а − исходный снимок (330х214 пикселей); фрагмент результатов обработки
методами: б − SOM; в − Густафсона-Кесселя; г − mdsFCM;
д − модифицированный mdsFCM
Улучшение сходимости нейро-фаззи кластеризации многомерных данных...
«Штучний інтелект» 2013 № 3 539
7А
На изображении, представленном на рис. 1 а, звездочками отмечены области,
содержащие очаги меланомы. Применение SOM (рис. 1 б) и методов Густафсона-
Кесселя (рис. 1 в) и mdsFCM (рис. 1 г) не приводит к их выделению, в то время как
использование модифицированного алгоритма mdsFCM (рис. 1 д) позволяет справиться
с этой задачей. Кроме того, использование модифицированного алгоритма mdsFCM
позволило сократить число итераций на 11%. При этом в результате сжатия было
получено 20 (рис. 1 г) и 12 (рис. 1 д) кластеров, соответственно.
На изображении, представленном на рис. 2 а, в области интереса, обведенной
прямоугольником, содержатся плохо различимые на исходном снимке бело-синие
структуры, что затрудняет визуальное диагностирование как самой меланомы, так и
области ее распространения. Использование SOM (рис. 2 б) привело к нарушению
цветового баланса из-за чрезмерного заполнения синим цветом области интереса,
что затрудняет адекватное визуальное диагностирование. Кластеризация методом
Густафсона-Кесселя (рис. 2 г) не приводит к выделению области распространения
меланомы. Применение как исходного, так и модифицированного алгоритмов mdsFCM
(рис. 2 г, д) позволяет выполнить визуальное диагностирование, однако, в последнем
случае за счет изменения цветопередачи удается точнее выявить область распространения
меланомы. При этом применение модифицированного алгоритма mdsFCM позволило на
11% сократить число итераций.
а б
в г
д
Рисунок 2 − Кластеризация цветного медицинского изображения:
а − исходный снимок (323х215 пикселей); результаты обработки методами:
б − SOM; в − Густафсона-Кесселя; г − mdsFCM; д − модифицированный mdsFCM
Ахметшина Л.Г., Егоров А.А., Удовик И.М.
«Искусственный интеллект» 2013 № 3 540
7А
Следует отметить, что при проведении экспериментов модифицированный алго-
ритм гибридной нечеткой кластеризации mdsFCM позволил в среднем на 17.4% со-
кратить число итераций обучения по сравнению с исходным методом.
Выводы
Предложенный в данной работе модифицированный метод гибридной нечеткой
кластеризации многомерных данных mdsFCM позволяет улучшить сходимость и, в
ряде случаев, достоверность кластеризации цветных изображений по сравнению с ис-
ходным алгоритмом. При этом улучшение сходимости, в среднем, более заметно при
выполнении динамического сжатия нечеткой функции принадлежностей, а также зависит
от метода выбора значимых нейронов после обучения карты Кохонена.
Литература
1. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А. Леоненков. – СПб. :
БХВ-Петербург, 2003. – 719 с.
2. Рутковский Л. Методы и технологии искусственного интеллекта / Л. Рутковский. − М. : Горячая
Линия-Телеком, 2010. − 600 с.
3. Кохонен Т. Самоорганизующиеся карты / Т. Кохонен ; [пер. 3-го англ. изд. В.Н. Агеева под ред.
Ю.В. Тюменцева]. − М. : Бином. Лаборатория знаний, 2008. − 665 с.
4. Ахметшина Л.Г. Влияние вида меры расстояния на чувствительность нейро-фаззи кластеризации
многомерных данных / Л.Г. Ахметшина, А.А. Егоров // Искусственный интеллект. − 2012. − № 4. −
С. 535-545.
5. Ахметшина Л.Г. Повышение чувствительности гибридной нечеткой кластеризации на основе форми-
рования центроидов пропорционально расстояниям в q-мерном пространстве / Л.Г. Ахметшина, А.А.
Егоров // Геометричне та комп’ютерне моделювання. − 2009. − Вип. 24. − С. 193-198.
6. Ахметшина Л.Г. Влияние способов получения новых центроидов и выбора существенных
кластеров на чувствительность алгоритма гибридной нечеткой кластеризации / Л.Г. Ахметшина,
А.А. Егоров // Интеллектуальные системы принятия решений и проблемы вычислительного
интеллекта: международная научная конф., 17 – 21 мая 2010 г., Евпатория. − Т. 1. − С. 231-234.
7. Пегат А. Нечеткое моделирование и управление / А. Пегат; [пер. с англ. А.Г. Подвесовского,
Ю.В. Тюменцева]; под. ред. Ю.В. Тюменцева − М. : БИНОМ, 2009. − 768 с.
8. Егоров А.А. Визуализация результатов нечеткой кластеризации цветных изображений на основе
метода сравнения с исходными данными // Егоров А.А. / Вестник Херсонского национального
технического университета. − 2009. − № 2(35). − С. 195-199.
Literatura
1. Leonenkov A. Fuzzy modeling in the MATLAB and fuzzyTECH environment − S.P.: BHV−Peterburg. −
2003. − 719.
2. Rutkovsky L. The methods and technology of artificial intelligence − M.: Gorjachaja-Linija-Telekom,
2010. − 600.
3. Kohonen T. Self Organized Maps [transl. 3 engl. publ. V.N. Ageeva edited by J.V. Tumentseva]. − M.:
Binom. Knowledge Laboratory − 2008. − 665.
4. Akhmetshina L.G., Yegorov A.A. The Influence of the distance measure type on the sensitivity neuron-
fuzzy clustering of the multidimensional data. Artificial Intelligence. − 2012. − № 4. − S. 535 − 545.
5. Akhmetshina L.G., Yegorov A.A. Enhancement of the hybrid fuzzy clustering sensitivity based on
forming of the centers proportional to the q-dimensional space distances. Geometric and computer
modeling. − 2009. − Num. 24. − S. 193 − 198.
6. Akhmetshina L.G., Yegorov A.A. The influence of the new centers forming and essential clster choosing on the
hybrid fuzzy clustering sensitivity // Intellectual systems for decision making and problems of computational
intelligence: international science conf. May 17-21, 2010, Yevpatorija. − Vol. 1. − S. 231 − 234.
Улучшение сходимости нейро-фаззи кластеризации многомерных данных...
«Штучний інтелект» 2013 № 3 541
7А
7. Pegat A. Fuzzy modeling and control. [transl. from engl. A.G. Podvesovskogo, Y.V. Tyumenceva];
Edited by. Y.V. Tyumenceva − M.: BINOM − 2009. − 768.
8. Yegorov A.A. The Fuzzy clustering results visualizing based on the initial data compare method.
Bulletin of The Herson National Technical University. − 2009. − Num. 2(35). − S. 195 − 199.
RESUME
L.G. Achmetshina, А.А. Yegorov, I.M. Udovick
The Sensitivity Of The Neuro-fuzzy Clustering
Improvement Based On Non-Euclidian Metrics
This article deals with the description and experimental verification of the modified
algorithm of the hybrid fuzzy clustering of the multidimensional data − mdsFCM. The
base mdsFCM algorithm [4] corresponds the union of the fuzzy clustering algorithm which
used the non-Euclidian distances based on calculation of the covariance matrix and SOM
(Self Organized Map). The essence of the algorithm modification consists in the using of
the non-Euclidian distances during clustering by SOM. This leads to the algorithm
convergence and sensitivity improvement for multidimensional data processing.
The experimental test of the proposed clustering method showed the convergence
and, in some cases, sensitivity improvement in comparison with mdsFCM, sFCM, FCM
(when non-Euclidian distances based on covariance matrix calculation are used) and Gustafson-
Kessel algorithms. In the capacity of the initial data is used the various low-contrast color
medical images which are the particular case of the multidimensional data. Experimental
tests show that algorithm convergence improvement is depended on choosing most
important neurons method after clustering by SOM.
Статья поступила в редакцию 26.04.2013.
|
| id | nasplib_isofts_kiev_ua-123456789-85077 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T19:06:11Z |
| publishDate | 2013 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Ахметшина, Л.Г. Егоров, А.А. Удовик, И.М. 2015-07-19T06:06:07Z 2015-07-19T06:06:07Z 2013 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. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85077 004.93 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. ru Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Нейронные сети и нейросетевые технологии. Информационная безопасность ИС Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик Підвищення чутливості нейро-фаззі кластеризаціі багатовимірних даних на основі неевклідових метрик The sensitivity of the neuro-fuzzy clustering improvement based on non-euclidian metrics Article published earlier |
| spellingShingle | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик Ахметшина, Л.Г. Егоров, А.А. Удовик, И.М. Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| title | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| title_alt | Підвищення чутливості нейро-фаззі кластеризаціі багатовимірних даних на основі неевклідових метрик The sensitivity of the neuro-fuzzy clustering improvement based on non-euclidian metrics |
| title_full | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| title_fullStr | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| title_full_unstemmed | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| title_short | Улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| title_sort | улучшение сходимости нейро-фаззи кластеризации многомерных данных при использовании неевклидовых метрик |
| 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/123456789/85077 |
| work_keys_str_mv | AT ahmetšinalg ulučšenieshodimostineirofazziklasterizaciimnogomernyhdannyhpriispolʹzovaniineevklidovyhmetrik AT egorovaa ulučšenieshodimostineirofazziklasterizaciimnogomernyhdannyhpriispolʹzovaniineevklidovyhmetrik AT udovikim ulučšenieshodimostineirofazziklasterizaciimnogomernyhdannyhpriispolʹzovaniineevklidovyhmetrik AT ahmetšinalg pídviŝennâčutlivostíneirofazzíklasterizacííbagatovimírnihdanihnaosnovíneevklídovihmetrik AT egorovaa pídviŝennâčutlivostíneirofazzíklasterizacííbagatovimírnihdanihnaosnovíneevklídovihmetrik AT udovikim pídviŝennâčutlivostíneirofazzíklasterizacííbagatovimírnihdanihnaosnovíneevklídovihmetrik AT ahmetšinalg thesensitivityoftheneurofuzzyclusteringimprovementbasedonnoneuclidianmetrics AT egorovaa thesensitivityoftheneurofuzzyclusteringimprovementbasedonnoneuclidianmetrics AT udovikim thesensitivityoftheneurofuzzyclusteringimprovementbasedonnoneuclidianmetrics |