Проверяемый текст
Демидова, Лилия Анатольевна. Развитие методов теории нечётких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределённости (Диссертация 2009)
[стр. 143]

чения «ширины зоны» rj.
кластеров, определяемых для каждой хромосомы той части расширенной популяции, для которой реализуется шаг РСМалгоритма на основе НМТ1, в соответствии с формулами (2.27) или (2.28).
1.
Предложена методика выбора комбинированного метода кластеризации (нечеткой или возможностной) на основе НМТ1, обеспечивающего получение адекватных результатов кластеризации множества объектов, содержащего кластеры подобного объема и подобной плотности лучших по достижению минимального значения показателя качества кластеризации.
8.
Приведены примеры классификации технического состояния зданий и сооружений с использованием комбинированных методов кластеризации на основе ИМТ1, подтверждающие эффективность разработанных методов, обеспечивающих получение обоснованных и адекватных результатов кластеризации множества объектов, содержащего кластеры подобного объема и подобной плотности, с минимальными временными затратами.
143
[стр. 30]

3.
Разработаны методы упорядочения, классификации и кластеризации объектов при наличии несовпадающих, в том числе противоречивых, исходных данных с использованием мультимножеств, нечеткого метода Дельфы, схемы Веллмана —Заде и систем нечеткого вывода, позволяющие учесть в процессе принятия решения все, в том числе противоречивые, оценки объектов без использования дополнительных преобразований типа усреднения и смешивания, которые могут привести к необоснованным и необратимым искажениям исходных данных.
Предложено при формировании обобщающих правил классификации объектов, представленных мультимножествами, для выполнения предварительной сортировки объектов применять индивидуальные системы нечеткого вывода, параметры которых настроены с использованием генетических алгоритмов.
4.
Предложен метод оценивания объектов с вычислением центроидов интервальных нечетких множеств второго типа на основе экспертных оценок, согласованных с использованием нечеткого метода Дельфы, позволяющий дифференцировать' объекты, имеющие одинаковые центроиды нечетких множеств первого типа на основе этих же экспертных оценок.
5.
Разработаны методы кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе нечетких множеств первого типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержащего кластеры подобной плотности и подобного объема, с минимальными временными затратами.
6.
Разработаны методы кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе интервальных нечетких множеств второго типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объек30

[стр.,39]

нечетких множеств второго типа с использованием обучающих выборок, обеспечивающие повышение объективности и адекватности принимаемых решений с применением моделей поддержки принятия решений в условиях неопределенности.
3.
Методы упорядочения, классификации и кластеризации объектов при наличии несовпадающих, в том числе противоречивых, исходных данных с использованием мультимножеств, нечеткого метода Дельфы, схемы Веллмана Заде и систем нечеткого вывода, позволяющие учесть в процессе принятия решения все, в том числе противоречивые, оценки объектов без использования дополнительных преобразований типа, усреднения и смешивания, которые могут привести к необоснованным и необратимым искажениям исходных данных.
4.
Метод оценивания объектов с вычислением центроидов интервальных нечетких множеств второго типа на основе экспертных оценок, согласованных с использованием нечеткого метода Дельфы, позволяющий дифференцировать объекты, имеющие одинаковые центроиды нечетких множеств первого типа на основе этих же экспертных оценок.
5.
Методы, кластеризации объектов с использованием модификаций алгоритма нечетких о-средних на основе нечетких множеств первого типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержащего кластеры подобной плотности и подобного объема, с минимальными временными затратами.
6.
Методы кластеризации объектов с использованием модификаций алгоритма нечетких с-средних на основе интервальных нечетких множеств второго типа и генетических алгоритмов, позволяющие учесть свойства кластерной типичности и кластерной относительности и обеспечивающие получение адекватных результатов кластеризации множества объектов, содержа39

[стр.,249]

ГЛАВА 4 МЕТОДЫ И АЛГОРИТМЫ КЛАСТЕРИЗАЦИИ НА ОСНОВЕ НЕЧЕТКИХ МНОЖЕСТВ ПЕРВОГО ТИПА И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ Наиболее известными алгоритмами нечеткой кластеризации, основанными на учете того пли иного вида неопределенности, являются: алгоритм нечетких с-средних (fuzzy с -means FCM-алгоритм), алгоритм возможностных с-средних (possibilistic с -means PCM-алгоритм), алгоритм возможностных нечетких с-средних (possibilistic fuzzy c-means PFCM-алгоритм), робастный алгоритм нече гкпх с-средних (robust fuzzy с -means RFCMалгоритм).
_ Все перечисленные выше алгоритмы кластеризации предполагают использование нечетких множеств первого типа (НМТ1) и интервальных нечетких множеств второго типа (ИНМТ2) [76].
Алгоритмы кластеризации на основе НМТ1 в отличии от алгоритмов кластеризации на основе ИНМТ2 характеризуются незначительной вычислительной сложностью и низкими временными затратами [92, 371].
Использование алгоритмов кластеризации на основе ИМТ1 целесообразно в случае необходимости выполнения кластеризации множества объектов, содержащего кластеры подобного объема и подобной плотности.
Алгоритмы кластеризации на основе НМТ1 могут давать неадекватные результаты нечеткой кластеризации, если множество объектов кластеризации содержит кластеры существенно разного объема или существенно разной плотности объектов в каждом кластере [336, 371].
В этом случае для получения адекватных результатов кластеризации целесообразно применение ИНМТ2, несмотря на существенное увеличение вычислительной сложности и временных затрат.
249

[Back]