Проверяемый текст
Демидова, Лилия Анатольевна. Развитие методов теории нечётких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределённости (Диссертация 2009)
[стр. 65]

ит в том, что переход от принадлежности к непринадлежности элементов к данным классам постепенен, а не скачкообразен [70, 76, 79, 152].
В основе теории нечеткого кластерного анализа лежит нечетко-возможностная интерпретация неопределенности [39, 47, 76].
При этом кластеризация объектов может выполняться с учётом свойств кластерной относительности или типичности объектов кластеризации.
Следует отметить, что использование ТНМ и, в частности, понятия «лингвистическая переменная» при оценке технического состояния зданий и сооружений позволяет математически отразить нечеткое (приблизительное) словесное описание оценок по критериям (элементам мониторинга), для которых точное описание либо отсутствует, либо является чрезмерно сложным, либо требует больших временных и финансовых затрат [2-4, 11-13].
Кроме того, применение ТНМ позволяет учесть субъективный человеческий фактор и опыт экспертов в процессе выработки и принятия соответствующих решений [9, 19, 40, 41, 51-54, 57, 61, 70].
Очевидно, что в случае разработки методов кластеризации технического состояния зданий и сооружений с привлечением аппарата ТНМ возможно применение мультимножественного подхода, использование которого, как и в случае разработки методов классификации объектов, представленных мультимножествами, требует либо привлечения группы экспертов, либо выполнения многократных инструментальных измерений, что, безусловно, приведет к существенному увеличению как временных, так и финансовых затрат на этапе подготовки исходных данных.
Важной и достаточно сложной является задача кластеризации множества объектов, содержащего кластеры существенно разной плотности или существенно разного объема и т.п.
[163, 185].
Главным недостатком известных алгоритмов кластеризации с применением ааппарата ТНМ является необходимость их многократной реализации с целью выбора оптимальных параметров используемых алгоритмов, обеспечивающих принятие адекватных решений.
Поэтому актуальной задачей является задача разработки новых методов кластеризации, позволяющих учитывать 65
[стр. 103]

—» inin , (1-16) j=i ^ v j f e v j , (1.17) nj '=' где /? ковариационная матрица j -го кластера; количество объектов кластеризации, отнесенных к j -му кластеру; vy вектор координат денара j го кластера; х1 вектор координат (оценок по критериям) i -го объекта; det[Rj) определитель ковариационной матрицы у-го кластера; п количество объектов; с количество кластеров; / = !,« , j = 1,с.
Дискретный характер четкого разбиения приводит к трудностям нахождения оптимальной кластеризации из-за негладкости целевой функции (используемого показателя качества кластеризации).
1.8.7 Алгоритмы кластеризации на основе нечетких множеств Требование нахождения однозначной кластеризации элементов исходного множества объектов является достаточно грубым и жестким, особенно при решении плохо или слабо структурированных задач.
Методы нечеткой кластеризации ослабляют это требование [202, 365, 369].
Ослабление этого требования осуществляется за счет введения в рассмотрение нечетких кластеров и соответствующих им ФП, принимающих значения из интервала [0,1].
Концептуальная взаимосвязь между кластерным анализом и ТНМ основана на том обстоятельстве, что при решении задач структуризации сложных систем большинство формируемых классов объектов размыты по своей природе.
Эта размытость состоит в том, что переход от принадлежности к непринадлежности элементов к данным классам постепенен, а не скачкообразен [116].
Актуальной является задача кластеризации множества объектов, содержащего кластеры существенно разной плотности или существенно разного объема и т.п.
[76, 371].
103

[Back]