Preview

Информатика

Расширенный поиск

ЭВОЛЮЦИОННЫЙ МЕТОД НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ

Полный текст:

Аннотация

Предлагается эволюционный метод нечеткой кластеризации, использующий генетический алгоритм с переменной длиной хромосом, который позволяет находить близкое к оптимальному разбиение объектов на кластеры с одновременным определением их числа. Проводится теоретический анализ вычислительной сложности предложенного метода в сравнении со стандартным подходом к поиску количества кластеров в данных. При проведении тестирования метода на двух наборах данных показывается, что классификационные правила, построенные на основе предложенного метода кластеризации, имеют более высокую точность классификации, чем полученные классическим FCM-методом.

Об авторах

Н. А. Новоселова
Объединенный институт проблем информатики НАН Беларуси
Беларусь


И. Э. Том
Объединенный институт проблем информатики НАН Беларуси
Беларусь


Список литературы

1. Jain, A.K. Algorithms for clustering data / A.K. Jain, R.C. Dubes. – Englewood Cliffs : Prentice-Hall, 1988. – 334 p.

2. Bezdek, J.C. Pattern recognition with fuzzy objective function algorithms / J.C. Bezdek. – N.Y. : Kluwer Academic Publishers, 1981. – 272 p.

3. Fuzzy Cluster Analysis / F. Hoppner [et al.]. – John Wiley and Sons, 1999. – 289 p.

4. Bezdek, J.C. Statistical parameters of cluster validity functionals / J.C. Bezdek, M.P. Windham, R. Elrich // International Journal of Parallel Programming. – 1980. – Vol. 9, № 4. – P. 323–336.

5. Bezdek, J.C. Norm-induced shell-prototypes (NISP) clustering / J.C. Bezdek, R.J. Hathaway, N.R. Pal // Neural, parallel and scientific computations. – 1995. – № 3. – P. 431–450.

6. Xie, X.L. A Validity Measure for Fuzzy Clustering / X.L. Xie, G. Beni // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1991. – Vol. 13, № 4. – P. 841–846.

7. Smyth, P. Clustering using Monte Carlo Cross-Validation / P. Smyth // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. – CA, Menlo Park : AAAI Press, 1996. – P. 126–133.

8. Novoselova, N. Supervised fuzzy clustering using genetic algorithm for the fuzzy classifier construction / N. Novoselova // Искусственный интеллект. – 2007. – № 4. – С. 343–351.

9. Hruschka, E.R. A genetic algorithm for cluster analysis / E.R. Hruschka, N.F.F. Ebecken // Intelligent data analysis. – 2003. – Vol. 7, № 1. – P. 15–25.

10. Kuncheva, L.I. Selection of cluster prototypes from data by a genetic algorithm / L.I. Kuncheva, J.C. Bezdek // Proc. of 5th European Congress on Intelligent techniques and Soft computting. – Aachen, Germany, 1997. – P. 1683–1688.

11. Klawonn, F. Fuzzy clustering with evolutionary algorithms / F. Klawonn // Proc. of 7th IFSA World Congress. – Prague, Czech Republic, 1997. – P. 957–962.

12. Hall, L.O. Clustering with a genetically optimized approach / L.O. Hall, I.B. Ozyurt, J.C. Bezdek // IEEE Trans. Evol. Comput. – 1999. – Vol. 3, № 2. – P. 103–112.

13. Klawonn, F. Constructing a fuzzy controller from data / F. Klawonn, R. Kruse // Fuzzy Sets and Systems. – 1997. – Vol. 85, № 2. – P. 177–193.

14. Sugeno, M. A fuzzy-logic-based approach to qualitative modeling / M. Sugeno, T.Yasukawa // IEEE Transactions on Fuzzy Systems. – 1993. – Vol. 1, № 1. – P. 7–31.


Для цитирования:


Новоселова Н.А., Том И.Э. ЭВОЛЮЦИОННЫЙ МЕТОД НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ. Информатика. 2009;(3(23)):55-67.

For citation:


., . . Informatics. 2009;(3(23)):55-67. (In Russ.)

Просмотров: 22


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)