+
Действующая цена700 499 руб.
Товаров:
На сумму:

Электронная библиотека диссертаций

Доставка любой диссертации в формате PDF и WORD за 499 руб. на e-mail - 20 мин. 800 000 наименований диссертаций и авторефератов. Все авторефераты диссертаций - БЕСПЛАТНО

Расширенный поиск

Исследование метода декомпозиционного дерева и его модификация для смешанных типов данных

  • Автор:

    Нгуен Нгок Хуи

  • Шифр специальности:

    05.13.17

  • Научная степень:

    Кандидатская

  • Год защиты:

    2013

  • Место защиты:

    Воронеж

  • Количество страниц:

    146 с. : ил.

  • Стоимость:

    700 р.

    499 руб.

до окончания действия скидки
00
00
00
00
+
Наш сайт выгодно отличается тем что при покупке, кроме PDF версии Вы в подарок получаете работу преобразованную в WORD - документ и это предоставляет качественно другие возможности при работе с документом
Страницы оглавления работы

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
Глава 1. АНАЛИЗ ПОДХОДОВ К РЕШЕНИЮ ЗАДАЧИ
КЛАСТЕРИЗАЦИИ
1.1. Постановка задачи кластеризации
1.2. Сравнительный анализ подходов к решению задачи кластеризации
1.3. Основные понятия нечеткого подхода к кластеризации
1.4. Цель и задачи исследования
Глава 2. НЕЧЕТКАЯ КЛАССИФИКАЦИЯ: ИССЛЕДОВАНИЕ
МЕТОДА ДЕКОМПОЗИЦИОННОГО ДЕРЕВА
2.1. Влияние типа транзитивности на результаты нечеткой классификации
2.2. Система показателей для сравнения результатов нечеткой классификации
2.3. Формирование корректирующей процедуры при переходе от отношения сходства к отношению подобия
Выводы по второй главе
Глава 3. НЕЧЕТКАЯ КЛАСТЕРИЗАЦИЯ ДЛЯ РАЗНОРОДНЫХ
ТИПОВ ДАННЫХ
3.1. Основные типы данных
3.2. Вычисление функции подобия для нечетких чисел
3.3. О мерах несходства для разнородных данных
3.4. Задача кластеризации для объектов с оценками в лингвистической шкале
Выводы по третьей главе

Глава 4. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА «COMPOUND FUZZY DISTANCE»
4.1 Структура программного комплекса
4.2. Вычислительный эксперимент
Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ
ВВЕДЕНИЕ
Актуальность темы исследования. В настоящее время существует значительное число подходов и методов кластеризации/классификации, ориентированных на различные типы данных. Особого внимания заслуживает случай, когда признаки, характеризующие объекты заданного множества, являются разнородными. Например, в задаче медицинской диагностики, которая может быть поставлена как задача классификации, векторная оценка, характеризующая состояние пациента, может содержать компоненты, относящиеся к следующим типам данных: количественный, интервальный, лингвистический, булевский и др. В рамках data mining (L. Billard, E. Diday, V. Ganti, F. Hoppner, M.S. Yang и др.) предложены специальные функции расстояния для неколичественных типов данных, позволяющие оценить «схожесть» объектов. Однако для приближенной информации в виде нечетких чисел можно использовать альтернативные подходы, основанные на индексах сравнения. В качестве базового метода для кластеризации объектов, характеризуемых разнородными признаками, выбран «метод определения транзитивно-ближайших подмножеств»1, который в рамках данной работы называется методом декомпозиционного дерева. Его преимущество заключается в том, что он позволяет получить всю совокупность возможных группировок объектов заданного множества. В работах Каплиевой H.A., Леденевой Т.М. предложена модификация данного метода, что позволяет говорить о схеме метода и возможных его реализациях, которые связаны со способами задания исходной информации и выбором типа транзитивности. Исследована зависимость результатов нечеткой кластеризации от функции расстояния и типа транзитивности. Актуальность диссертационной работы обусловлена недостаточной изученностью ряда вопросов, связанных с некоторыми другими (параметрическими) типами транзитивности, а также возможностью использования иных вариантов формирования исходной информации в виде
1 Кофман А. Введение в теорию нечетких множеств / А. Кофман. - М. : Наука, 1986. - 320 с.

подмножеств Т7 = [А1,А2,...,Ап) . Требуется определить, какие из подмножеств являются транзитивно ближайшими, т.е., какие подмножества попадут в один класс, если в качестве расстояний между подмножествами используется, например, минмакснное расстояние.
Для решения этой задачи в [25] предложен следующий алгоритм:
расстояние Хемминга (или другое в зависимости от характера задачи), которое задает отношение несходства R .
2. Вычислив минмаксное транзитивное замыкание отношения несходства R, получим отношение различия R,, которое задает матрицу (min- тах)-расстояний между нечеткими подмножествами.
3. От отношения различия перейти к отношению подобия R, и применить к нему теорему о декомпозиции, получив при этом:
- класс подмножеств, расстояние между которыми равны 0;
- класс подмножеств, расстояния между которыми равны а,, причем 0 < а, < а2 <...;
- класс подмножеств, расстояния между которыми равны а2, причем 0 < а; < а2 < а3 <... и так далее.
4. Построить декомпозиционное дерево, которое отражает группировки элементов с использованием их транзитивных расстояний от других элементов.
Исследованию алгоритма нечеткой классификации посвящена работа [23]. К основным результатам исследования можно отнести:
1. Проведен анализ влияния различных типов транзитивности на основные свойства нечетких отношений, установлены взаимосвязи между классами транзитивных отношений.
2. Предложена схема алгоритма нечеткой классификации, учитывающая двойственные типы композиции, которые позволяют
1. Для каждой пары
найти относительное

Рекомендуемые диссертации данного раздела

Время генерации: 0.128, запросов: 967