НЕЧЕТКАЯ КЛАСТЕРИЗАЦИЯ КОМПЛЕКСНОЗНАЧНЫХ ДАННЫХ

Ирина Александровна Седых; Кирилл Николаевич Макаров

Авторы

Ирина Александровна Седых Липецкий государственный технический университет, Липецк (Россия) https://orcid.org/0000-0003-0012-8103
Кирилл Николаевич Макаров Липецкий государственный технический университет, Липецк (Россия)

Ключевые слова:

комплекснозначные данные, кластер, нечеткая кластеризация, алгоритм k-средних, алгоритм c-эллипсоидов, матрица нечеткого разбиения, пакет MathCAD

Аннотация

В статье рассматриваются наиболее известные методы нечеткой кластеризации данных: метод k-средних и нечеткий алгоритм c-эллипсоидов. Реализованы алгоритмы этих методов в пакете MathCAD и рассмотрен пример с комплекснозначными данными.

Биографии авторов

Ирина Александровна Седых, Липецкий государственный технический университет, Липецк (Россия)

доктор технических наук, профессор кафедры высшей математики

Кирилл Николаевич Макаров, Липецкий государственный технический университет, Липецк (Россия)

студент группы М-МА-22-1

Библиографические ссылки

Charu, C.A. Data Clustering: algorithms and applicatons/ C.A. Charu, K.R. Chandan. – 1st editon. – Chapman and Hall / CRC. 2013. 652 p. Text : unmediated. // Charu, C.A. Data Clustering: Algorithms and Applications / C.A. Charu, K.R. Chandan. 1st edition. – Chapman and Hall / CRC, 2013. 652 p. Text: unmediated.

Dy, J.G. Unsupervised feature selection. Computational Methods of Feature Selection / J.G. Dy. New York : Chapman and Hall / CRC. 2007. 440 p. Text : unmediated. // Dy, J.G. Unsupervised Feature Selection / J.G. Dy. In Computational Methods of Feature Selection. New York: Chapman and Hall / CRC, 2007. 440 p. Text: unmediated.

Calinski, T. A dendrite method for cluster analysis / T. Calinski, J. Harabasz. Volume 3. Issue 1. Taylor & Francis Online. 1974. 1-27 p.Text : unmediated. // Calinski, T. A Dendrite Method for Cluster Analysis / T. Calinski, J. Harabasz. Volume 3, Issue 1. Taylor & Francis Online, 1974. pp. 1-27. Text: unmediated.

Edwin, M.K. Algorithms for Mining Distance-Based Outliers in Large Datasets / M.K.Edwin, T.Ng. Raymond. Vancouver : VLDB.1998. 392-403 p. Text : unmediated. // Edwin, M.K. Algorithms for Mining Distance-Based Outliers in Large Datasets / M.K. Edwin, T.Ng. Raymond. Vancouver: VLDB, 1998. pp. 392-403. Text: unmediated.

Blei, D.M. Latent Dirichlet allocation / D.M. Blei, A.Y. Ng, M. I. Jordan. Journal of Machine Learning Research, 2003. 993-1022 p.Text : unmediated Mining Distance-Based Outliers in Large Datasets / M.K. Edwin, T.Ng. Raymond. Vancouver : VLDB. 1998. 392-403 p.Text : unmediated. // Blei, D.M. Latent Dirichlet Allocation / D.M. Blei, A.Y. Ng, M.I. Jordan. Journal of Machine Learning Research, 2003. pp. 993-1022. Text: unmediated.

Дюран, Б. Кластерный анализ: монография / Б. Дюран, П. Оделл; переводчик Е.З.Демиденко; редактор А.Я. Боярский. Москва : Статистика. 1977. 128 с. Текст: непосредственный. // Duran, B. Cluster Analysis: Monograph / B. Duran, P. Odell; translator E.Z. Demidenko; editor A.Ya. Boyarsky. Moscow: Statistics, 1977. 128 p. Text: direct.

Kassambra, A. Practical guide to cluster analysis in r / A. Kassambra. 1st edition. STHDA. 2017. 187 p. Text : unmediated. // Kassambra, A. Practical Guide to Cluster Analysis in R / A. Kassambra. 1st edition. – STHDA, 2017. 187 p. Text: unmediated.

Dangeti, P. Statistics for Machine Learning/ P. Dangeti. Packt Publishing. 2017. 442 p. Text: unmediated. // Dangeti, P. Statistics for Machine Learning / P. Dangeti. Packt Publishing, 2017. 442 p. Text: unmediated.

Arthur, D. k-means++: the advantages of careful seedings / D. Arthur, S. Vassilivitskii. – In Proceedings of the Eighteenth Annual ACMSIAM Symposium on Discrete Algorithms. 2007.1027-1035 p. Text : unmediated. // Arthur, D. k-means++: The Advantages of Careful Seedings / D. Arthur, S. Vassilivitskii. In Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, 2007. pp. 1027-1035. Text: unmediated.

Bradley, P.S. Refining initial points for kmeans clustering / P.S Bradley, Fayyad U.M. – San Francisco : In Proceedings of the Fifteenth International Conference of Machine Learning.1998. 99 p. Text : unmediated. // Bradley, P.S. Refining Initial Points for k-means Clustering / P.S. Bradley, Fayyad U.M. San Francisco: In Proceedings of the Fifteenth International Conference of Machine Learning, 1998. pp. 99. Text: unmediated.

Баюк, Д.А. Практическое применение методов кластеризации, классификации и аппроксимации на основе нейронных сетей: монография / Д.А. Баюк, О.А. Баюк, Д.В. Берзин [и др.]. Москва : Прометей, 2020. 448 с. Текст: непосредственный. // Bayuk, D.A. Practical Application of Clustering, Classification and Approximation Methods Based on Neural Networks: Monograph / D.A. Bayuk, O.A. Bayuk, D.V. Berzin [et al.]. Moscow: Prometheus, 2020. 448 p. Text: direct.

Седых, И.А. Нейросетевое моделирование процесса охлаждения полосы на стане горячей прокатки на основе кластеризованных данных / И.А.Седых, В.А. Истомин. Текст : непосредственный // Интеллектуальные информационные системы: труды Международной научно-практической конференции: в 2 ч. Ч. 2. Воронеж : Изд-во ВГТУ. 2019. С. 43-45. // Sedykh, I.A. Neural Network Modeling of the Strip Cooling Process at a Hot Rolling Mill Based on Clustered Data / I.A. Sedykh, V.A. Istomin. In Intelligent Information Systems: Proceedings of the International Scientific and Practical Conference, vol. 2. Voronezh: VSTU Publishing House, 2019. pp. 43-45. Text: direct.