##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Анотація
Розглядається завдання розподілу множини об'єктів, стан яких визначається набором контрольованих параметрів, на сукупність підмножин об'єктів максимально однорідних за своїми властивостями. Актуальність проблеми обумовлена важливою перевагою процедури кластеризації: за її реалізації з'являється можливість вихідну важку задачу аналізу об'єктів високої розмірності звести до розв'язання низки простіших задач меншої розмірності. Ця обставина набуває додаткової привабливості та важливості, якщо вихідні дані задачі містять невизначеність, наприклад, визначені нечітко. Об'єкт дослідження - процедура розбиття множини об'єктів на кластери в умовах невизначеності. У зв'язку з цим мета дослідження - розроблення методу розв'язання задачі кластеризації в умовах, коли вихідні дані про значення контрольованих параметрів об'єктів містять невизначеність. Метод розв'язання задачі ґрунтується на розробленні математичної моделі процедури кластеризації, що містить аналітичні вирази для критерію її ефективності, записаного у формі двічі дробово квадратичної функції. Неможливість безпосереднього розв'язання одержуваної при цьому задачі математичного програмування ініціювала розроблення евристичного алгоритму її розв'язання. У результаті отримано ітераційний метод, застосований для розв'язання задачі кластеризації в умовах нечітких вихідних даних. Розроблена обчислювальна процедура заснована на обґрунтованій системі правил виконання операцій над нечіткими числами. При цьому розглянуто ситуації, коли функції належності нечітко заданих параметрів задачі визначено на нескінченних або компактних носіях. Розроблена система правил дає змогу коректно виконувати операції в метриці нечітко визначених станів між об'єктами кластеризації. Запропонований метод легко узагальнюється на випадок, коли невизначеність вихідних даних є ієрархічною.
##plugins.themes.bootstrap3.article.details##
Посилання
2. C. H. Ruspini A new approach to clustering., Inf. Control, 1999 vol.15., №1, p.61-72.
3. M. Yang, C. Lai, A robust automatic merging possibilistic clustering method, IEEE Trans. Fuzzy Syst. 2011, 19(1)., p.114-122.
4. Wang X.Y., Garibaldi I.M. A comparison of fuzzy and kon–fuzzy clustering techniques in cancer diagnosis, in Proceedings of the Second International Conference in Medicine and Healtheare, 2005, p.250-256.
5. Jiang D., Wang C., Zhang A. Cluster analysis for gene expression data. IEEE Transactions on Knowledge and Data Engineering, 2009,16 (11), 1370-1386.
6. Caret M., Parmigiani G. Clustering and classification methods for gene expression data analysis, Johns Hopkins Univer, 2011, 190-198.
7. Jain A., Murty M., Flynn P. Data clastering a review, ACM Computing surveys, 2012, 31(3), 264-325.
8. Lev Raskin, Oksana Sira Performing Arithmetic Operations over the (L–R) TYPE Fuzzy Numbers // Eastern European Journal of Enterprise Technologies, 2020.-vol 3.p.6.