ЭВОЛЮЦИОННЫЙ МЕТОД НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ
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
Беларусь
И. Э. Том
Объединенный институт проблем информатики НАН Беларуси
Беларусь
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.
Рецензия
Для цитирования:
Новоселова Н.А., Том И.Э. ЭВОЛЮЦИОННЫЙ МЕТОД НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ. Информатика. 2009;(3(23)):55-67.
Просмотров: 465
Послать статью по эл. почте 