ПРИМЕНЕНИЕ НЕЙРОНЕЧЕТКИХ ТЕХНОЛОГИЙ
В КЛАСТЕРНОМ АНАЛИЗЕ
А.А.Чертог,
студент; рук. А.С.Федулов, к. т. н., доцент
(филиал
ГОУ ВПО «МЭИ (ТУ)», г. Смоленск
Кластерный анализ [1] является важным инструментом
во многих инженерных и научных задачах. Он применяется при
цифровой обработке сигналов, машинном обучении, анализе
данных и т.д.
Существует большое число подходов к решению задач
кластеризации. Часто признаки (свойства) объектов
кластеризации не могут быть адекватно представлены
точными значениями. Одним из подходов к представлению
неопределенности, неточности информации является
использование теории нечеткихмножеств.
Проведенный обзор нечетких методов кластеризации показал
следующее.
1.
Получаемые кластеры являются нечеткими, поэтому возможно
говорить о принадлежности объекта к классу с некоторой
долей достоверности.
2. Нечеткие модели кластеризации позволяют использовать
самые различные представления данных: в виде нечеткого
множества, лингвистическое, точное. Благодаря чему можно
проводить гибкий адаптивный анализ и интерпретацию
полученных результатов.
3. Существует взаимосвязь между нечеткими кластерами и
нечеткими правилами в продукционных нечетких системах.
Это позволяет использовать методы кластеризации при
проектировании нечетких систем, например, в разбиении
пространства входных нечетких переменных [2].
4. Применение гибридной – нейронечеткой технологии –
обеспечивает возможность адаптации параметров и структуры
в системе нечеткой кластеризации [3].
Наиболее перспективной в решении задачи нечеткой
кластеризации является нейронечеткая технология, позволяющая
сочетать достоинства подхода, основанного на теории нейронных
сетей, с подходом,использующим достижения в теории нечетких множеств.
Литература
1. Классификация
и кластер / Под ред. Дж.Вэн Райзина.-М:Мир, 1980.389 с.
2. Nauck, Detlef:
Beyond Neuro-Fuzzy: Perspectives and Directions. Proc.\ Third European Congress
on Intelligent Techniques and Soft Computing (EUFIT95), Aachen (1995),
1159-1164.
3. Castellano, G., Fanelli, A. M.: A self-organizing neural fuzzy inference network. In Proc. of IEEE Int. Joint Conference on Neural Networks (IJCNN2000), Como, Italy, 5 (2000) 14-19.