Штучний інтелект

Анотація: Задача кластеризації досить часто зустрічається в інтелектуальному аналізі даних різної природи. Для вирі-шення цієї проблеми існує велика кількість відомих методів та алгоритмів, які здебільшого працюють в пакетно-му режимі, в умовах, коли вся вибірка даних відома заздалегідь та не змінюється з часом. Ці методи складні в програмній реалізації та не позбавлені недоліків. Мета роботи полягає в розробці адаптивного метода кластеризації викривлених даних на основі страте-гії найближчого прототипу-центроїда з використанням еволюційних процедур, якій вирішує задачу в онлайн-режимі, тобто коли дані надходять послідовно в реальному часі та характеризуються чисельною простотою та високою швидкодією. Розглянуто задачу адаптивної нечіткої кластеризації викривлених збуреннями та викидами даних, які представлені у вигляді масивів векторних даних на основі стратегії найближчого прототипу - центроїда з вико-ристанням оптимізаційних процедур. В основі запропонованого підходу лежить онлайн ймовірнісна процедура нечіткої кластеризації із функцією належності спеціального вигляду та еволюційний алгоритм котячих зграй. Особливістю запропонованого адаптивного методу кластеризації викривлених даних на основі стратегії найближчого прототипу - центроїда з використанням еволюційних процедур є обчислювальна простота, висо-ка швидкість та точність отриманих результатів, що підтверджуються експериментальними дослідженнями. Запропоновано модифікацію, введену на основі процедури оптимізації котячих зграй з покращеними властивостями за рахунок використання стохастичної оцінки градієнта. Запропонований метод є простим у чисельній реалізації, працездатним у випадку, коли дані пошкоджені та надходять послідовно в онлайн-режимі, що підтверджено експериментально.

Ключові слова: еволюційний алгоритм котячих зграй, прототип-центроїд, адаптивна нечітка кластеризація.

Посилання:

1. Rutkowski, L. (2008) “Computational Intelli-gence Methods and Techniques”, Springer-Verlag, Berlin Heidelberg, 514 p.
2. Mumford, C., Jain, L. (2009) “Computational Intelligence. Collaboration, Fusion and Emer-gence”, Springer-Verlag, Berlin Heidelberg, 729 p.
3. Kruse, R., Borgelt, C., Klawonn, F., Moewes, C., Steinbrecher, M., Held, P. (2013) “Compu-tational Intelligence. A Methodological Intro-duction”, Springer, Berlin, 488 p.
4. Grosan, C., Abraham, A., Chis, M.: Swarm in-telligence in Data Mining - Studies in Compu-tational Intelligence (2006).
5. Chu, S.-C., Tsai, P.-W., Pan, J.S.: Cat swarm optimization. In: Lecture Notes in Artificial Intelligence. Berlin Heidelberg: Springer-Verlag (2006).
6. Chu, S.-C., Tsai, P.-W.: Computational Intelli-gence based on the behavior of cats.In: “Int. J. of Innovative Computing, Information, and Control”, №1, pp.163 – 173 (2007).
7. Kennedy, J., Eberhart, R. (1995) “Particle swarm optimization”, Proc. IEEE Int. Conf. on Neural Networks, Vol. 4, P. 1942 – 1948.
8. Chu, S.-C., Tsai, P.-W., Pan, J.S. (2006) “Cat swarm optimization”, Lecture Notes in Artifi-cial Intellgence,4099, Berlin Heidelberg, Springer-Verlag, P. 854-858.
9. Chu, S.-C., Tsai, P.-W. (2007) “Computational Intelligence based on the behavior of cats “, Int. J. of Innovative Computing, Information, and Control, 3, №1, pp. 163 – 173.
10. Shafronenko A., Bodyanskiy Ye., Rudenko (2019) “Online neuro fuzzy clustering of data with omissions and outliers based on comple-tion strategy“, Proceedings of The Second In-ternational Workshop on Computer Modeling and Intelligent Systems (CMIS-2019), 2019. Zaporizhzhia, 2019. - P.18-27.
11. Shafronenko, A., Bodyanskiy, Ye. Pliss, I., Patlan, K.: Fuzzy Clusterization of Distorted by Missing Observations Data Sets Using Evo-lutionary Optimization. In: Proceedings “Advanced Computer Information Technolo-gies (ACIT’2019)”, Česke Budejovice, Czech Republic, June 5-7, 2019, pp. 217-220 (2019). doi: 10.1109/ACITT.2019.8779888.
12. Shafronenko A., Bodyanskiy Ye., Klymova I., Holovin O. Online credibilistic fuzzy clustering of data using membership functions of special type. Proceedings of The Third International Workshop on Computer Modeling and Intelli-gent Systems (CMIS-2020), April 27-1 May 2020. Zaporizhzhia, 2020.
13. Shafronenko A. Yu, Bodyanskiy Ye. V., Pliss I.P. The Fast Modification of Evolutionary Bioinspired Cat Swarm Optimization Method. Proc.2019 IEEE 8th International Conference on Advanced Optoelectronics and Lasers (CAOL), 2019. Sozopol, Bulgaria, 2019. P. 548-552. DOI: 10.1109 /CAOL46282. 2019.9019583.