Адаптивна матрична нейро-фаззі самоорганізовна мережа для кластеризації багатовимірних потоків даних

2017;
: ст. 314-319
Прийнято: Березень 28, 2017
1
Харківський національний університет радіоелектроніки, Проблемна науково-дослідна лабораторія автоматизованих систем управління
2
Харківський національний університет радіоелектроніки, Проблемна науково-дослідна лабораторія автоматизованих систем управління
3
Харківський національний університет радіоелектроніки, Проблемна науково-дослідна лабораторія автоматизованих систем управління
4
Харківський національний університет радіоелектроніки, Проблемна науково-дослідна лабораторія автоматизованих систем управління

Запропоновано адаптивну матричну нейро-фаззі самооргазізовну мережу для кластеризації багатовимірних потоків даних (біомедичні масиви спостережень, сигнали цифрового відео, що формують дискретні двовимірні поля тощо).
Ця мережа характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв’язання широкого класу задач інтелектуального аналізу потоків даних. Результати низки експериментів як на тестових, так і на реальних даних підтверджують ефективність запропонованого підходу.

1. Liao, T.W. Clustering of time series data-A survey / T. W. Liao // Pattern Recognition. – 2005. – 38. – № 11. – P. 1857–1874.

2. Mitsa, T. Temporal Data Mining / T. Mitsa. -Boca Raton: CRC Press, 2010. – 395 p.

3. Aggarwal, C. C. Data Clustering. Algorithms, and Applications / C. C. Aggarwal, C. K. Reddy. – Boca Raton: CRC Press, 2014. – 621 p.

4. Aggarwal, C. C. Data Mining / C. C. Aggarwal. –N.Y.: Springer, 2015. – 734 p.

5. Möller-Levet, C.S. Fuzzy clustering of short time series with unevenly distributed sampling points / C.S. Möller-Levet, F. Klawonn, K.-H. Cho, O. Wolkenhauer // Lecture Notes in Computers Science. – Heidelberg: Splinger, 2003. – Vol. 2810. – P.330–340.

6. Cruz, L.P. Fuzzy clustering for incomplete short time series data / L. P. Cruz, S. M. Vieira, S. Vinga // Lecture Notes in Artificial Intelligence. – 9273. – Springer Int. Publishing Switzerland, 2015. – P. 353–359.

7. Bezdek, J. C. Pattern Recognition with Fuzzy Objective Function Algorithms / J. C. Bezdek. – N.Y.: Plenum Press. 1981. – 272 p.

8. Höppner, F. Fuzzy Clustering Analysis: Methods for Classification, Data Analysis, and Image Recognition / F. Höppner, F. Klawonn, R. Kruse, T. Runkler. – Chichester: John Wiley and Sons Ltd., 1999. – 289 p.

9. Bifet, A. Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams / A. Bifet. – IOS Press, 2010. – 224 р.

10. Bodyanskiy, Ye. Adaptive matrix fuzzy c-means clustering / Ye. Bodyanskiy, M. Skuratov, V. Volkova // Proc. 19th East-West Fuzzy-Colloquium. – Zittau-Görlitz: HS, 2012. – P.96–103.

11. Kohonen, T. Self-Organizing Maps / T. Kohonen // Berlin: Springer-Verlag. – 1995. – 362 p.

12. Haykin S. Neural Netwroks. A Comprehensive Foundation / S. Haykin. –Upper Saddle River: Prentice Hall, 1999. – 842 p.

13. Bodyanskiy, Ye. Matrix neuro-fuzzy self-organizing clustering network / Ye. Bodyanskiy, M. Skuratov, V. Volkova // Computer Science, Information Technology and Management Science. – 2011. – № 49. – P. 54–58.