Резюме

Процесс определения нечеткой кластер-процедуры для решения задачи классификации в рамках прикладного исследования предусматривает два этапа: обоснование выбора одного из трех рассматриваемых типов методов нечеткого подхода к кластеризации и выбор конкретной кластер-процедуры. Рекомендации по выбору типа метода нечеткого подхода к решению задачи автоматической классификации можно выработать, исходя из целей классификации и имеющихся содержательных соображений о компактности выделяемых групп. Алгоритм нечеткого подхода решения задачи автоматической классификации, адекватный условиям конкретной задачи, может быть определен, исходя из вида матрицы исходных данных и имеющейся априорной информации. Если для решения задачи классификации выбрано эвристическое направление нечеткого подхода, то главным критерием выбора алгоритма является соответствие особенностей того или иного алгоритма содержательной постановке задачи. В случае, когда для решения задачи выбрано оптимизационное направление, главной проблемой оказывается обоснование вида функционала нечеткого разбиения. При рассмотрении этой проблемы должна учитываться, помимо формы матрицы исходных данных, вида шкалы, в которой измерены признаки, и типа признакового пространства, содержательная интерпретация функционала. Процедуры иерархического направления не предусматривают задания входных параметров, так что при выборе конкретной процедуры достаточно руководствоваться видом матрицы исходных данных и спецификой решаемой задачи. Ряд нечетких кластер-процедур предусматривает задание параметров работы. Число классов с зачастую может быть определено на основании сущности решаемой задачи. Если же число классов априори неизвестно, то целесообразно задать ряд значений . В алгоритме Кутюрье-Фьолео число объектов в классе и, число объектов в области пересечения классов w и порог различия объектов а определяются спецификой решаемой задачи; в случае, когда жесткие ограничения на минимальное количество объектов в классе отсутствуют, целесообразно полагать Значение порога d выбирается в зависимости от используемой процедуры: в алгоритме Гитмана — Левина данный порог определяется исследователем в зависимости от вида функции принадлежности

в каждом конкретном случае, а в алгоритме Распини его можно задавать как среднюю связь в классе. Показатель нечеткости классификации у чаще всего полагается равным 2, однако, в зависимости от особенностей конкретной задачи, может варьироваться в интервале от 1.5 до 30. Алгоритмы нечеткого подхода к решению задачи автоматической классификации находят самое разнообразное применение в задачах обработки изображений, распознавания рукописных символов, анализа сцен, классификации сигналов, в экологических, социально-экономических, медико-биологических исследованиях и при решении других задач. Среди других нечетких подходов к решению задач распознавания образов следует отметить нечеткий дискриминантный анализ, лингвистический подход, подход на основе упорядоченных взвешенных усредняющих операторов и подход на основе нечетких деревьев решений.