Abstract
Проблема нечіткої кластеризації даних є важливою проблемою, яка часто зустрічається в різноманітних задачах інтелектуального аналізу даних. Для вирішення цих задач відомі методи потребують, щоб вектори-спостереження надходили з тих даних, які належать лише одному кластеру, але природніша та ситуація, коли вектор-спостереження може належати більше ніж одному кластеру або класу. Із таким родом проблем найкраще справляються нечіткі методи кластеризації, які синтезовані з урахуванням взаємного перетинання класів, які формуються в процесі аналізу даних. Найбільш поширені алгоритми нечіткої кластеризації – імовірнісні методи нечіткої кластеризації. В той же час, цей підхід має суттєві недоліки, пов'язані зі строгими “імовірнісними” обмеженнями щодо рівня належності та підвищеною чутливістю до аномальних спостережень, які часто присутні у вихідних наборах даних. В якості альтернативи імовірнісним методам нечіткої кластеризації було запропоновано метод достовірної нечіткої кластеризації з рекурентною модифікацією, який базується на підході правдоподібності та алгоритмі Густафсона-Кесселя для нечіткої кластеризації.
Publisher
Ivan Kozhedub Kharkiv National Air Force University KNAFU