Модель и метод кластеризации объектов с нечеткими значениями параметров

• Автор: Назаров, Александр Олегович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Казань
• Количество страниц: 131 с. : ил.

Оглавление
Оглавление
Список используемых сокращений
Введение
Глава 1. Системы распознавания и методы кластеризации
1.1. Распознавание объектов
1.1.1. Классификация систем распознавания образов
1.1.2. Классификация и кластеризация образов
1.2. Методы кластерного анализа данных
1.2.1. Общая схема работы методов кластеризации
1.2.2. Иерархические методы
1.2.3. Неиерархические методы
1.2.4. Сравнительный анализ методов кластеризации
Выводы по главе
Глава 2. Разработка нечеткого обобщения метода COBWEB
2.1. Метод концептуального кластерного анализа COBWEB
2.1.1. Общая характеристика метода COBWEB
2.1.2. Формальное представление метода COBWEB
2.1.3. Модель концептуального кластерного анализа COBWEB
2.2. Разработка нечеткого обобщения метода COBWEB
Выводы по главе
Глава 3. Формирование функций принадлежности параметров кластеризуемых объектов
3.1. Функции принадлежности
3.2. Численный метод формирования функций принадлежностибО
3.3. Сравнение функций принадлежности
Выводы по главе
Глава 4. Решение практических задач кластеризации объектов с нечеткими значениями параметров

4.1. Программный комплекс, реализующий разработанный метод кластеризации данных
4.2. Автоматизация процесса формирования пользовательских ролей
4.3. Выявление вредоносного программного обеспечения
4.4. Сравнительный анализ точности кластеризации
4.5. Оценка производительности разработанного программного
комплекса
Выводы по главе
Заключение
Список используемых источников
Приложение А. Листинг основных блоков разработанного
программного комплекса
Приложение Б. Свидетельство о государственной регистрации
программы для ЭВМ
Приложение В. Акт внедрения
Приложение Г. Акт внедрения
Приложение Д. Акт внедрения
Приложение Е. Статистические данные
Список используемых сокращений
АРМ — автоматизированное рабочее место
БД — база данных
ВПО — высшее профессиональное образование
ИБ — информационная безопасность
ИС — информационная система
ИТ — информационные технологии
КИС — корпоративная информационная система
КС — компьютерная сеть
ЛВС — локальная вычислительная сеть
МФУ — многофункциональное устройство
нсд — несанкционированный доступ
ОАО — открытое акционерное общество
ООП — объектно-ориентированное программирование
ОС — операционная система
по — программное обеспечение
РРД — ролевое разграничение доступа
свт — средство вычислительной техники
СУБД — система управления базами данных
ФГБОУ — федеральное государственное бюджетное образовательное учреждение
ФП — функция принадлежности
ЭВМ — электронная вычислительная машина

Таблица 1.2. Сравнение методов кластеризации
Агломе ративн ые методы Дивизи миые методы Итерат ивные методы Плотное тные методы Концеп туальн ые методы Модел ьные методы Сетевы е методы
Автоматическое определение кластеров - - - - + + +
Высокая производительное ть при работе с большими массивами данных - - - + + + +
Чувствительность к выбросам - - - - + - -
Необходимость предварительного задания полного множества объектов + + + + - + +
Следует отметить, что основным недостатком классических (традиционных) методов кластеризации является то, что они работают с объектами, параметры которых заданы исключительно в четком виде, что затрудняет их практическое использование при работе с объектами нечеткой природы. С другой стороны, для решения многих практических задач в социальных, экономических и технических областях, от алгоритмов кластеризации требуется возможность работы с объектами нечеткой природы. В связи с этим в последнее время все активнее развиваются методы нечеткой кластеризации [69]. В нечеткой кластеризации кластер представлен как нечеткое множество объектов. Каждый объект имеет «степень принадлежности» для каждого кластера. Другими словами, объект может принадлежать более чем одному кластеру с различной степенью принадлежности. Среди методов нечеткой кластеризации широко распространен нечеткий метод Fuzzy C-Means [63]. Методы нечеткой кластеризации могут быть применены к нечетким