Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике 3.3. Иерархические методы3.3.1. Основные понятия иерархического направления решения нечеткой модификации задачи автоматической классификацииМетоды иерархического направления нечеткого подхода к решению задачи автоматической классификации образуют самую немногочисленную группу и представлены двумя процедурами. Иерархические методы ставят своей задачей построение иерархии на классифицируемой совокупности объектов характеризуемой нечеткостью, и наглядное представление ее стратификационной структуры. Построение нечеткой иерархии на множестве объектов означает, таким образом, выявление принципа объединения объектов в нечеткие кластеры в случае агломеративных алгоритмов либо, напротив, принципа расслоения классифицируемой совокупности объектов на нечеткие кластеры, вплоть до отдельных объектов, если применяются дивизимные кластер-процедуры. Алгоритм, предложенный Д. Ватадой, X. Танакой и К. Асаи [182], строит нечеткое отношение Т на множестве объектов данные о которых представлены в виде матрицы «объект-объект» попарного сходства элементов исследуемой совокупности, которое, в свою очередь, минимизирует целевую функцию так нечеткую иерархию на множестве образуют четкие множества, полученные при декомпозиции отыскиваемого нечеткого отношения Т. Особенностью процедуры, имеющей эвристический характер, является то, что в зависимости от порядка -уровней матрицы нечеткой толерантности Т, представляющей исходные данные, возможна как восходящая, так и нисходящая версия алгоритма. Предложенный Д. Думитреску FDH алгоритм [81] представляет собой бинарную дивизимную кластер-процедуру, основанную на обобщении FCM алгоритма. Нечеткие иерархические кластер-процедуры обладают общей для всех иерархических процедур особенностью: с ростом количества объектов классифицируемой совокупности быстро растут время вычислений и требования к объему оперативной памяти ЭВМ, так что эти алгоритмы применимы для классификации совокупностей объектов сравнительно небольшого объема. Вместе с тем, их использование позволяет проводить более детальное исследование структуры классифицируемой совокупности.
|
1 |
Оглавление
|