Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В.
Вишняков Александр Сергеевич – ведущий инженер,
системный интегратор «Крастком»;
Макаров Анатолий Евгеньевич – архитектор решений,
Российская телекоммуникационная компания «Ростелеком»,
г. Москва;
Уткин Александр Владимирович – старший инженер,
Международный системный интегратор «EPAM Systems», г. Минск, Республика Беларусь;
Зажогин Станислав Дмитриевич - старший разработчик,
Международный IT интегратор «Hospitality & Retail Systems»;
Бобров Андрей Владимирович – руководитель группы,
группа технической поддержки,
Компания SharxDC LLC,
г. Москва
Аннотация: рассмотрены методы построения эффективных алгоритмов кластеризации набора данных в системах мониторинга. С целью создания кластеров с точными границами в условиях наличия выбросов был проведен анализ алгоритмов кластеризации нечетко вероятностного разделения методом нечетких c-средних. Указаны ключевые особенности современного подхода, в рамках которого алгоритмы нечетко‑вероятностное разделения набора данных специализируются на обнаружении кластеров имеющих сферическую форму. Показаны преимущества применения нечетко‑вероятностного разделения по сравнению с другими моделями кластеризации по методу нечетких c-средних, в том числе, что касается уменьшения требований к вычислительной мощности, необходимой для обработки данных алгоритмов за счет уменьшения количества параметров.
Ключевые слова: метод кластеризации нечетких с-средних, нечетко‑вероятностное разделение, сферическая форма кластера, робастные процедуры кластеризации.
Список литературы
- Lee S., Kim J. & Jeong Y., Various Validity Indices for Fuzzy K-means Clustering. Korean Management Review, 46(4), 1201-1226.
- Chen S., An improved fuzzy decision analysis framework with fuzzy Mahalanobis distances for individual investment effect appraisal. Management Decision, 55 (5), 935-956.
- Lewis R.H., Paláncz B. & Awange J., Application of Dixon resultant to maximization of the likelihood function of Gaussian mixture distribution. ACM Communications in Computer Algebra, 49(2), 57-57.
- Kumar P. & Chaturvedi A., Probabilistic query generation and fuzzy c-means clustering for energy-efficient operation in wireless sensor networks. International Journal of Communication Systems. 29 (8), 1439-1450.
- Raveendran R. & Huang B., Mixture Probabilistic PCA for Process Monitoring - Collapsed Variational Bayesian Approach. IFAC-PapersOnLine, 49 (7). 1032-1037.
- Hathaway R.J., Overstreet D.D., Murphy T.E. & Bezdek J.C., Relational data clustering with incomplete data. Applications and Science of Computational Intelligence IV.
- Hathaway R., Huband J. & Bezdek J. (n.d.). Kernelized Non-Euclidean Relational Fuzzy c-Means Algorithm. The 14th IEEE International Conference on Fuzzy Systems, 2005. FUZZ 05.
- Davé R.N. Characterization and detection of noise in clustering. Patt. Recogn. Lett. 12, 657–664 (1991).
- Klawonn F., Noise Clustering with a Fixed Fraction of Noise. Applications and Science in Soft Computing. 133-138.
- Menard M., Damko C., Loonis P. The fuzzyc+2 means: solving the ambiguity rejection in clustering. Patt. Recogn. 33, 1219–1237, 2000.
- Xu H. & Yue X., An Adaptive Fuzzy Switching Filter for Images Corrupted by Impulse Noise, 2009. Sixth International Conference on Fuzzy Systems and Knowledge Discovery.
- Alanzado A.C., Miyamoto S. Fuzzyc-means clustering in the presence of noise cluster for time series analysis. Proc. Modeling Decisions in Artificial Intelligence (MDAI), Lect. Notes Comp. Sci. 3558, 156–163 (2005)
- Nasraoui O. & Krishnapuram R. (n.d.). A novel approach to unsupervised robust clustering using genetic niching. Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE 2000 (Cat. No.00CH37063).
- Hamasuna Y., Endo Y. & Miyamoto S., On tolerant fuzzy c-means clustering and tolerant possibilistic clustering. Soft Computing, 14 (5), 487-494.
- Timm H., Borgelt C., Döring C., Kruse R. An extension to possibilistic fuzzy cluster analysis. Fuzzy Sets and Systems 147, 3–16,
- Pal N.R., Pal K., Keller J.M., Bezdek J.C. A possibilistic fuzzy c-means clustering algorithm. IEEE Trans. Fuzzy Syst. 13, 517–530,
- Szilágyi L. Fuzzy-Possibilistic Product Partition: a novel robust approach to c-means clustering. Proc. Modeling Decisions in Artificial Intelligence (MDAI), Lect. Notes Comp. Sci. 6820, 150–161, 2011.
- Suhaili S.M., Jambli M.N. & Huspi S.H., Evaluation of FCV and FCM clustering algorithms in cluster-based compound selection, 2011. 7th International Conference on Information Technology in Asia.
- Wang T. & Shen Q., Fuzzy C spherical shells cluster algorithm and an application to blood cell image. Second International Conference on Image and Graphics.
- Szilágyi L., Szilágyi S.M., Benyó B., Benyó Z. Intensity inhomogeneity compensation and segmentation of MR brain images using hybridc-means clustering models. Biomed. Sign. Proc. Contr. 6, 3–12. 2011.
- Szilágyi L. Robust spherical shell clustering using fuzzy-possibilistic product partition. Int. J. Intell. 28, 524–539, 2013.
Ссылка для цитирования данной статьи
 |
|
Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства. |
|
Ссылка для цитирования. Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В. ИСПОЛЬЗОВАНИЕ В СИСТЕМАХ МОНИТОРИНГА РОБАСТНЫХ АЛГОРИТМОВ КЛАСТЕРИЗАЦИИ // IX Международная научно-практическая конференция «Современные инновации в науке, образовании и технике» (Россия. Москва. 16 июня 2019). С. {см. сборник}.
|
Издательство «Проблемы науки»
Follow usСледуйте за нами в социальных сетях