Ранее предложен подход, позволяющий с единых позиций рассматривать задачи кластерного анализа и задачи прогнозирования значений переменных: построение решающих функций распознавания, регрессионный анализ, одновременное прогнозирование нескольких переменных, восстановление условного распределения в пространстве целевых переменных. Основой данного подхода является интерпретация задач прогнозирования как некоторой задачи условной таксономии (кластерного анализа).

Предложено дополнить метод к-средних - один из самых популярных методов кластер-анализа - средствами: предварительной обработки данных; задания начальных центроидов их количества; интерпретации полученных результатов. Эти дополнения вытекают из результатов Миркина (1999, 2001). В частности, специальные методы разработаны для поиска начальных центроидов (Разделяй и Властвуй) и отыскания отличительных логических описаний кластеров (Аппкод). Полученная таким образом модификация метода к-средних, называемая интеллигентный к-средних, применяется к анализу 55-ти статей, опубликованных в центральной российской прессе об отдельных случаях взяточничества. Полученные результаты указывают, что все многообразие публикаций может быть резюмировано так: в каждой из основных отраслей - разные виды коррупции: в региональной администрации - вымогательство и протекция, в органах правопорядка - нарушение законности и прикрывательство, в других - изменение категории. Серьезная проблема, ждущая своего разрешения, - разработка методов формирования значимых признаков для описания того или иного корпуса текстов.

Індекс рубрикатора НБУВ: В172.44

Рубрики:

Дискримінантний аналіз. Кластерний аналіз

Шифр НБУВ: Ж14648 Пошук видання у каталогах НБУВ 

Надано результати використання кластерного аналізу для збільшення інформативності первинного опису об'єктів екологічного моніторингу. Додаткові сигнали генеруються на основі параметрів, які ввійшли до одного кластера. Якість моделі підвищилась в середньому на 18,3 %.

Рассмотрена задача поиска дискриминантной функции оптимальной сложности в условиях независимых признаков. Рассмотрен способ сравнения дискриминантных функций, который основан на разбиении наблюдений на обучающие и проверочные подвыборки: обучающие подвыборки используются для оценивания коэффициентов дискриминантной функции, а проверочные подвыборки - для оценивания ее качества классификации. Общие результаты применены для частного случая, когда признаки статистически независимы.

Сформовано дві задачі нечіткої кластеризації, в математичну постановку яких включено такі компоненти: цільову функцію методу c-середніх для нечіткої кластеризації та ентропію розбиття. Доведено теореми про існування розв'язків цих задач. Розроблено алгоритми їх розв'язання, складовою яких є r-алгоритм Н. З. Шора. Вперше обгрунтовано вибір експоненціальної ваги в методі с-середніх, побудовано відповідний алгоритм нечіткої кластеризації з адаптивним вибором експоненціальної ваги. Сформульовано нову задачу багатокритеріальної нечіткої кластеризації, яка зводиться до мінімізації нелінійної згортки критерію. Одержані оцінки мінімального значення згортки критеріїв свідчать про існування розв'язку задачі. Побудовано алгоритм розв'язання цієї задачі.

Проанализированы оптимизационные методы нечеткой кластеризации FCM, NC, PCM, FRC. Рассмотрены вопросы определения значений параметров методов нечеткой кластеризации: начальных значений центроидов и параметров доверительных границ основных кластеров. Исследована проблема устойчивости решений задачи нечеткой кластеризации к определению значений указанных параметров.

Індекс рубрикатора НБУВ: В172.44

Рубрики:

Дискримінантний аналіз. Кластерний аналіз

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Предложен векторный критерий, позволяющий улучшить результаты, полученные на основе метода с-средних. Приведено обоснование возможности использования предложенного векторного критерия для задач нечеткой кластеризации. Построен соответствующий алгоритм, позволяющий выполнить кластеризацию горных пород по прогнозной оценке степени выбросоопасности.

Рассмотрена задача кластеризации для случая, когда координаты центров кластеров и объектов группирования определены нечеткими числами с заданными функциями принадлежности. Предложена простая и легко реализуемая вычислительная процедура четкого распределения объектов по кластерам, основанная на выборе для каждого из объектов наиболее предпочтительного кластера.

Розглянуто метод кластеризації статистичних даних, представлених у вигляді сукупності складених нечітких множин. Введено поняття відстані з урахуванням рівня невизначеності, для порівняння нечітких відстаней пропонується використання нечіткого відношення переваги.

Предложен метод кластеризации объектов с варьирующимися в интервале значениями признаков в случаях неустойчивой кластерной структуры множества объектов. Приведены результаты вычислительного эксперимента.

Досліджено застосування дерев розв'язків для розв'язання завдання кластерного аналізу. Розроблено метод кластерного аналізу, що дозволяє виконувати розбиття простору екземплярів на кластери, під час використання якого відсутня необхідність задання інформації про кількість кластерів та їх форму, що суттєво розширює можливість його застосування на практиці. Проведено експерименти з розв'язання завдань кластер-аналізу з використанням запропонованого методу.

Исследовано влияние методов кластеризации и вида функции принадлежности на результаты нечеткой интерполяции экспериментальных пространственных данных, заданных на неравномерной сетке.

Досліджено ряд критеріїв якості кластерного аналізу (критерій Квона, Хіе-Бені, індекс розбиття) в їх зв'язку з рівнем нечіткості. Виявлено характер зміни досліджуваних критеріїв залежно від зміни рівня нечіткості. Запропоновано метод інтервальної нечіткої кластеризації типу 2 з використанням комбінації трьох критеріїв якості. Cтупені належності об'єктів до кластерів подано у вигляді інтервалів, що надає можливість зберегти повноту інформації про множину їх можливих значень, а також зменшити вплив кожного окремого критерію на невизначеності, що відображаються в результаті. Останнє досягається знаходженням області перетину інтервалів значень рівня нечіткості за кожним із досліджуваних критеріїв. Стійкість розв'язків до наявності аномальних спостережень у досліджуваній сукупності даних забезпечується використанням методу робастної кластеризації РСМ. Проаналізовано ширину інтервалу ступенів належності, одержаних запропонованим методом, у випадку наявності у вихідних даних шумів або аномалій. За допомогою запропонованого підходу розв'язано задачу кластеризації країн світу за показниками людського розвитку.

Рассмотрена задача поиска оптимальной по сложности дискриминантной функции. Описаны критерии качества дискриминантных функций, разработанные в рамках метода группового учета аргументов: критерий, основанный на разбиении наблюдений на обучающую и проверочную выборки, и критерий скользящего экзамена.

Рассмотрены процедуры нечеткой кластеризации. Предложены адаптивные формы вероятностного и возможностного вариантов алгоритма Густафсона - Кесселя, отличающиеся численной простотой и обеспечивающие высокую эффективность при работе в условиях неопределенности, в частности при меняющемся со временем характере обрабатываемых данных и недостатке знаний о природе выборки.

Предложен оригинальный подход к решению задачи формирования экспертных групп в системных информационно-аналитических исследованиях, основанный на применении индуктивного алгоритма кластеризации. Метод можно применять во многих прикладных системно-аналитических исследованиях.

Розглянуто вирішення задачі кластерного аналізу. Для виконання кластерного аналізу запропоновано використовувати мультиагентний підхід з прямим зв'язком між агентами. Розроблено мультиагентний метод з прямим зв'язком між агентами для кластерного аналізу, що враховує недоліки традиційних підходів. Проведено експерименти з вирішення тестових задач.

Розглянуто задачу кластеризації масивів векторних даних, що мають пропущені значення у деяких компонентах. Запропоновано адаптивний підхід до кластеризації таких даних за умов, коли класи перетинаються. В основі підходу є використання модифікованої мапи Кохонена з функцією сусідства спеціального вигляду.