Розроблено моделі й інтелектуальні методи кластерного аналізу даних, які дозволяють класифікувати дані за умов апріорної невизначеності щодо стуктури розбиття та кількості кластерів, а також ураховувати інтуїтивне уявлення про групування даних, що забезпечує підвищення якості класифікації. Запропоновано метод нечіткого кластерного аналізу даних на підставі розбиття множини на класи еквівалентності за нечітким відношенням. Створено модель формування ознакового простору в задачах кластерного аналізу зображень, в якій на відміну від існуючих використано хаотичні відображення, що дозволяє істотно знизити кореляційні залежності між елементами зображень. Одержані результати розширено на класи задач стиснення та кодування графічної інформації, формування апроксимаційних нечітких моделей складних об'єктів і методи обробки часових рядів біомедичних даних, що дозволило підвищити якість групування даних за умов апріорної невизначеності щодо структури розбиття та кількості кластерів. Підтверджено ефективність синтезованих моделей і методів, які використано для створення систем аналізу біомедичної інформації для виділення груп епідемічних даних під час розрахунків толерантних меж неепідемічної захворюваності на грип та гострі респіраторні вірусні інфекції; розробки систем підтримки проектних рішень на стадії ескізного проектування авіаційних газотурбінних двигунів для формування апроксимаційної нечіткої моделі двигуна, а також систем аналізу візуальної інформації для кодування та стиснення зображень.

  Завантажити