Актуальные проблемы вычислительной и прикладной математики 2015

Октябрь 19-23, 2015, Академгородок, Новосибирск, Россия

• Общая информация
• Программный комитет
• Организационный комитет
• Научная программа
• Программа
• Фоторепортаж
• Труды конференции
• Важные даты
• Представление материалов
• Культурная программа
• Регистрационный взнос
• Проживание
• Место проведения
• Оформление визы
• Доклады
• Регистрация/Вход

Бучнев А.А.   Пяткин В.П.  

Нечеткие кластеры с объемными прототипами в автоматической классификации спутниковых данных

Докладчик: Бучнев А.А.

В докладе рассматриваются вопросы, связанные с использованием нечеткой кластеризации расширенными алгоритмами С-средних (Fuzzy C-means – FCM)  и Густафсона-Кесселя (Gustafson-Kessel – GK) в автоматической классификации (кластеризации) спутниковых данных [1]. В алгоритме FCM выбранная метрика одинакова для всех кластеров и не меняется в процессе работы. Принципиальное отличие алгоритма GK от алгоритма FCM состоит в том, что каждый кластер имеет индивидуальную метрику, основанную на нечеткой ковариационной матрице кластера. Эта метрика динамически меняется в процессе выполнения итераций алгоритма.
Расширение FCM и  GK алгоритмов (получаются E-FCM и E-GK алгоритмы) состоит в следующем:
1. В качестве прототипов кластеров используются объемные прототипы (volume prototypes). В частности, в алгоритме E-FCM используется евклидова метрика, тогда таким прототипом будет гипершар. В алгоритме  E-GK объемным прототипом кластера является гиперэллипсоид. Размеры объемных прототипов определяются на основе объемов кластеров. Такие прототипы менее чувствительны к отклонениям в распределении данных.
2. Вводится понятие «сходства» (similarity) кластеров. Начиная с заведомо большего числа кластеров, кластеры, степень сходства которых превышает заданный порог, объединяются в процессе кластеризации для того, чтобы получить подходящее разбиение данных.
Включение алгоритмов E-FCM и E-GK в состав программного комплекса по обработке спутниковых данных PlanetaMonitoring позволяет расширить возможности системы кластеризации комплекса по построению разбиения, наиболее полно соответствующего внутренней структуре данных.
Работа выполнена при частичной финансовой поддержке Российского фонда фундаментальных исследований (код проекта 13-07-00068).

ЛИТЕРАТУРА
1. Uzay Kaimak and Magne Setnes. Extended Fuzzy Clustering Algorithms.  ERIM report series ERS-2000-51-LIS. Rotterdam, Netherlands, November 2000, 24 pp.