Повышение эффективности инкрементной кластеризации нечетких данных

Abstract

Рассмотрена задача кластеризации данных динамических измерений. Эта задача решается статистическим инкрементным методом. Предложен последовательный инкрементный алгоритм кластеризации нечетких данных, в котором модель кластера и модель входного образа учитывают их центр и форму. Для оценки расстояния между моделями предложена модификация расстояния Махаланобиса, которая сохраняет эвклидово расстояние в случае одноточечных моделей и позволяет сократить вычисления по сравнению с использованием расстояния Баттачария. Предложенный алгоритм позволяет повысить эффективность кластеризации по сравнению с существующими инкрементными алгоритмами и повысить скорость кластеризации по сравнению с итеративным ЕМ алгоритмом.

Розглянуто задачу кластеризацiї даних динамiчних вимiрiв. Ця задача вирiшується статистичним iнкрементним методом. Запропоновано послiдовний iнкрементний алгоритм кластеризацiї нечiтких даних, в якому модель кластера та модель вхiдного образу враховують їх центр i форму. Для оцiнки вiдстанi мiж моделями запропоновано модифiкацiю вiдстанi Махаланобiса, яка зберiгає евклiдову вiдстань у випадку одноточкових моделей i дозволяє скоротити обчислення в порiвняннi з використанням вiдстанi Баттачарiя. Запропонований алгоритм дозволяє пiдвищити ефективнiсть кластеризацiї в порiвняннi з iснуючими iнкрементними алгоритмами та пiдвищити швидкiсть кла- стеризацiї в порiвняннi з iтеративним ЕМ алгоритмом.

The problem of dynamic data clustering is addressed. This problem is solved by statistical incremental method. The sequential incremental fuzzy data clustering algorithm is proposed, in which the cluster model and the input model account for their center and shape. For estimating distance between models the modification of Mahalanobis distance is proposed, which preserves Euclidean distance in case of single-point models and allows reducing calculations in comparison with the use of Bhattacharyya distance. The proposed algorithm allows to improve clustering efficiency in comparison with existing incremental algorithms, and to improve clustering speed in comparison with iterative EM algorithm.