Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В.
Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Вишняков Александр Сергеевич – ведущий инженер,
системный интегратор «Крастком»;
Макаров Анатолий Евгеньевич – архитектор решений,
Российская телекоммуникационная компания «Ростелеком»,
г. Москва;
Уткин Александр Владимирович – старший инженер,
Международный системный интегратор «EPAM Systems», г. Минск, Республика Беларусь;
Зажогин Станислав Дмитриевич - старший разработчик,
Международный IT интегратор «Hospitality & Retail Systems»;
Бобров Андрей Владимирович – руководитель группы,
группа технической поддержки,
Компания SharxDC LLC,
г. Москва
Аннотация: рассмотрены методы нечеткой кластеризации и сделаны выводы по их применению в информационных системах. Показано, что метод нечетких c‑средних обладает устойчивостью с точки зрения использования естественного нечеткого классификатора. Был рассмотрен метод нечеткой кластеризации k‑средних и метод энтропии, показано, что при кластеризации информационных систем метод нечетких c-средних обладает большей устойчивостью. Рассмотрены возможности применения в методах нечетких c‑средних метрики Махаланобиса, в частности были представлены алгоритмы Густафсона-Кесселя и Кульбака‑Лейблера. Показана необходимость при построении нелинейных границ кластеров использования ядерных методов кластеризации. Разработан комплексный алгоритм определения оптимального способа для кластеризации элементов информационной системы.
Ключевые слова: информационные системы, метод нечетких c‑средних, метод энтропии, алгоритм Густафсона-Кесселя, алгоритм Кульбака‑Лейблера, ядерные методы кластеризации.
DEVELOPMENT OF METHODS FOR FUZZY CLUSTERING OF NETWORK INFORMATION SYSTEMS
Vishniakov A.S., Makarov A.E., Utkin A.V., Zazhogin S.D., Bobrov A.V.
Vishniakov Alexandr Sergeevich – Lead System Engineer,
SYSTEM INTEGRATOR «KRASTCOM»;
Makarov Anatoly Evgenevich – Solutions Architect,
ROSTELECOM INFORMATION TECHNOLOGY,
MOSCOW;
Utkin Alexander Vladimirovich – Senior Engineer,
INTERNATIONAL SYSTEM INTEGRATOR EPAM SYSTEMS, MINSK, REPUBLIC OF BELARUS;
Zazhogin Stanislav Dmitrievich – Senior Software Engineer,
International IT Integrator Hospitality & Retail Systems;
Bobrov Andrei Vladimirovich – Team leader,
TECHNICAL SUPPORT GROUP,
SHARXDC LLC,
MOSCOW
Abstract: the methods of fuzzy clustering are considered and conclusions on their use in information systems are made. It is shown that the method of fuzzy c-means is stable in terms of using a natural fuzzy classifier. The fuzzy clustering method of k-means and the entropy method were considered, and it was shown that when information systems are clustering, the fuzzy c-means method is more stable. The possibilities of using fuzzy methods with the Mahalanobis metrics are considered, in particular, the Gustafson-Kessel and Kullback–Leibler algorithms were presented. The necessity of using kernel clustering methods in the construction of nonlinear cluster boundaries is shown. A complex algorithm for determining the optimal method for clustering information system elements has been developed.
Keywords: information systems, fuzzy c-means method, entropy method, Gustafson-Kessel algorithm, Kullback–Leibler algorithm, kernel clustering methods.
Список литературы / References
- Miyamoto S., Ichihashi H., Honda K. Algorithms for Fuzzy Clustering, Springer. Berlin, 2008.
- Bezdek J.C. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, 1981.
- Girolami М. Mercer kernel based clustering in feature space, IEEE Trans. on Neural Networks. Vol. 13. № 3. Р 780–784, 2002.
- Haqiqi B.N. & Kurniawan R., Analisis Perbandingan Metode Fuzzy C-Means Dan Subtractive Fuzzy C-Means. Media Statistika, 8(2). doi:10.14710/medstat.8.2.59-67.
- Lee S., Kim J. & Jeong Y., Various Validity Indices for Fuzzy K-means Clustering. Korean Management Review, 46(4), 1201-1226. doi:10.17287/kmr.2017.46.4.1201.
- Kanzawa, Y., Endo Y. & Miyamoto S., Fuzzy classification function of entropy regularized fuzzy c-means algorithm for data with tolerance using kernel function. 2008 IEEE International Conference on Granular Computing. doi:10.1109/grc.2008.4664765.
- Yasuda M., Q-increment deterministic annealing fuzzy c-means clsutering using Tsallis entropy. 2014 11th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD). doi:10.1109/fskd.2014.6980802.
- Chen S., An improved fuzzy decision analysis framework with fuzzy Mahalanobis distances for individual investment effect appraisal. Management Decision, 55(5), 935-956. doi:10.1108/md-11-2015-0512.
- Cai,Q.,& Liu,W., TSK fuzzy model using kernel-based fuzzy c-means clustering. 2009. IEEE International Conference on Fuzzy Systems. doi:10.1109/fuzzy.2009.5277146
- Baili N., Unsupervised and semi-supervised fuzzy clustering with multiple kernels. Louisville, KY: University of Louisville.
Ссылка для цитирования данной статьи
 |
|
Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства. |
Вишняков А.С., Макаров А.Е., Уткин А.В., Зажогин С.Д., Бобров А.В. РАЗРАБОТКА МЕТОДОВ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ СЕТЕВЫХ РЕСУРСОВ ИНФОРМАЦИОННЫХ СИСТЕМ // Наука, техника и образование № 5(58), 2019. - С.{см. журнал}.
|
