Проверяемый текст
Демидова, Лилия Анатольевна. Развитие методов теории нечётких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределённости (Диссертация 2009)
[стр. 182]

3.9 Примеры классификации технического состояния зданий и сооружений с использованием методов кластеризации на основе интервальных нечетких множеств второго типа Ниже будут рассмотрены примеры кластеризации множества объектов на два кластера существенно разного объема и существенно разной плотности с использованием методов нечеткой и возможностной кластеризации на основе ИНМТ2.
3.9.1 Кластеризация множества объектов на два кластера существенно разного объема и существенно разной плотности с использованием метода нечеткой кластеризации на основе интервальных нечетких множеств второго типа Рассмотрим пример кластеризации множества объектов на два кластера существенно разного объема и существенно разной плотности в двухмерном пространстве, что соответствует кластеризации данных по двум элементам оценивания.
При этом можно предположить, что кластеризация выполняется, например, по элементам оценивания «фундаменты» и «стены» по 100балльной шкале (чем выше балл, тем хуже, тем выше процент износа).
Предварительно покажем, что в случае, когда кластеры имеют идентичные мощность и объем (плотность), то есть идентичную структуру, кластеризация с использованием FCM-алгоритма на основе НМТ1 при любых значениях
фаззификатора т (например, из множества (1,1; 2, 3, 5, 10}) дает результаты, совпадающие с ожидаемыми, а выбор значения фаззификатора ш оказывает только незначительное влияние на расположение центров кластеров, сами же результаты кластеризации (разбиение на кластеры) остаются неизменными.
182
[стр. 957]

ном пространстве, что соответствует кластеризации данных по двум критериям.
Предварительно покажем, что в случае, когда кластеры имею т идентичные мощ ность и объем (плотность), то есть идентичную структуру, кластеризация с использованием FCM -алгоритма на основе НМТ1 при любых значениях
фаззифнкатора т (например, из множества {1Д; 2, 3, 5, 10}) дает результаты, совпадающие с ожидаемыми.
Отметим, что в этом случае выбор значения фаззификатора т оказывает только незначительное влияние на расположение центров кластеров, сами же результаты кластеризации (разбиение на кластеры) остаются неизменными.
Пусть сначала были сформированы два кластера по 25 объектов в каждом с идентичной структурой (рисунок П.5.37, объекты первого и второго кластеров помечены красными круглыми и синими квадратными маркерами соответственно).
П ри этом объекты первого кластера были получены на основе нормального (гауссовского) распределения Лг(с, <т2), где с математическое ожидание, сг2 дисперсия (сг среднеквадратическое отклонение) в соответствии с формулой (П.4.3).
П редположим, что по каждой I-й координате (/-м у критерию, / = 1,2) данные (оценки) у-го кластера ( j 1,2) распределены по закону м{ср сг2)\ для первого кластера данные распределены по первому и второму критериям по закону N(44,16): для второго кластера данные распределены по первому и второму критериям по закону iV(78,16).
Пусть, кроме того, каждый i -й объект второго кластера (г = 1,25) получен из соответствующ его i -го объекта первого кластера (г = 1,25) сдвигом по каждой координате на число 34.
426

[Back]