Синтез информационной системы группировки многомерных данных с использованием кластерного анализа

• Автор: Бояркин, Михаил Игоревич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Самара
• Количество страниц: 117 с. : ил.

СОДЕРЖАНИЕ
Введение.

1. Основные принципы применения методов кластерного анализа

для обработки данных.

1.1 Основные методы теории кластерного анализа и их свойства.

1.2 Анализ ограничений на выбор элементов модели кластеризации

1.3 Основные результаты и выводы.

2. Модель кластеризации образов в соответствии с топологическими свойствами фазового пространства динамической нейронной сеч и

2.1 Основные принципы распознавания и обучения модели нейронной сети Хакена

2.2 Описание модифицированной модели кластеризации многомерных данных.

2.3 Основные результаты и выводы.

3. Численное моделирование процесса кластеризации многомерных данных.
3.1 Исследование эффективности механизма фильтрации кластеров на основе значений меры различия.
3.1.1 Моделирование механизма фильтрации кластеров
3.1.2 Анализ результатов моделирования механизма фильтрации кластеров.
3.2 Исследование эффективности применения модели кластеризации для группировки графических данных на основе критерия визуального сходства
3.2.1 Критерии оценки качества кластеризации
3.2.2 Моделирование алгоритма кластеризации графических данных
3.2.3 Исследование качественных характеристик алгоритма кластеризации графических данных
.
3.2.4 Исследование вычислительных характеристик алгоритма
кластеризации графических данных.
3.3 Основные результаты и выводы
4. Применение модели кластеризации образов при построении вспомогательной системы обработки информации для
конструкторской деятельности в промышленности .
4.1 Задача построения вспомогательной системы обработки графической информации при конструкторской деятельности в промышленности
4.2 Математический аппарат
4.3 Структура обработки данных
4.4 Компоненты системы
4.5 Схема работы ключевого компонента системы I i.
4.6 Основные результаты и выводы.
ЗАКЛЮЧЕНИЕ
Библиографический список.
Приложение А Акт внедрения результатов диссертационной работы
Приложение Б Акт внедрения результатов диссертационной работы
Введение
Актуальность


Синтезируемая система должна функционировать в условиях непрерывно растущего объема обрабатываемой выборки по мере поступления новых данных, а так же отсутствия обучающей классифицированной выборки и информации о границах и количестве классов многомерных данных. Методы исследования. Для решения поставленных задач использовались методы системного анализа, включающие методы качественного анализа обыкновенных дифференциальных уравнений, методы статистической обработки данных, методы кластерного анализа и аппарат линейной алгебры. Исследование качества работы разработанных моделей проведено на основе методов теории вероятностей и математической статистики. Для синтеза и анализа системы группировки специализированных многомерных данных использовался пакет инженерных вычислений Матъав'*. Научная новизна. Практическая полезность работы. Показана эффективность работы алгоритма индексации, выполняющего качественную классификацию графической информации со значительно меньшими затратами вычислительных ресурсов по сравнению с системами распознавания образов. Алгоритм использован в виде компонентов автоматизированной системы индексации и поиска графической информации; Реализация результатов работы. Результаты диссертационных исследований использованы при разработке автоматизированной системы индексации больших массивов графических данных с учетом критерия визуального сходства изображений с данными, поступающими в режиме реального времени, в конструкторском отделе промышленного предприятия ООО «Эллипс» (г. Самара), а также в учебном процессе подготовки магистрантов по направлению «Автоматика и управление» в дисциплинах «Интеллектуальные технологии в системах управления» и «Системное моделирование» в ГОУ ВПО «Самарский государственный технический университет». Апробация работы. Основные положения и результаты работы докладывались и обсуждались на XXXI Самарской областной научной конференции (Самара, ); II Всероссийской научной конференции «Математическое моделирование и краевые задачи» (Самара, ); V Всероссийской межвузовской конференции «Практика применения научного программного обеспечения в образовании и исследованиях» (Санкт-Петербург, ); VI Всероссийской научно-технической конференции «Научное программное обеспечение в образовании и научных исследованиях» (Санкт-Петербург, ); X Международной конференции «Проблемы управления и моделирования в сложных системах» (Самара, ). Работа поддержана грантом РФФИ по проекту 1-а. Публикации. По теме диссертации опубликовано 9 печатных работ. Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения, изложенных на 5 страницах машинописного текста, содержит рисунок, 1 таблицу, список литературы из наименований и 2 приложения. Метод совместного использования модели последовательной кластеризации и динамической самоорганизующейся модели распознавания образов, ориентированный на решение задачи синтеза алгоритмов группировки больших массивов многомерных данных на основе не-формализусмых критериев ассоциативного сходства смыслового содержания данных. Форма меры близости в модели кластеризации, зависящей от топологических свойств фазового пространства динамической системы распознавания образов. Математическая модель и алгоритм последовательной кластеризации больших массивов многомерных данных на основе неформализуемого критерия ассоциативного сходства смыслового содержания данных. Программное обеспечение индексации и поиска графической информации использующее алгоритм группировки многомерных данных с учетом критерия ассоциативного сходства смыслового содержания данных. В первой главе приведен обзор работ, посвященных методам решения задач классификации со схемой обучения без учителя - методам теории кластерного анализа. Выполнен анализ специфики задачи группировки больших объемов многомерных данных на основе критерия ассоциативного сходства. Сделан обоснованный выбор методов теории кластерного анализа для решения данной задачи, а также, показана необходимость коренной модификации данных методов.