Кластерный анализ

В основу процедуры установления границы классов может быть положена группа эффективных алгоритмов эвристического характера, которые строятся на основе кластерного анализа. [c.83]

Кластерный анализ — одно из перспективных современных направлений алгоритмизации действий ЛПР при решении задач распознавания образов в условиях нечеткой, неполной, размытой информации. Понятие кластер используют для обозначения множества точек в пространстве признаков, не пересекающегося с другим множеством. На первый взгляд кажется, что термин кластер есть синоним слова класс . Однако между кластерным анализом и классификацией есть разница. Классификацию катализаторов можно вести по разным параметрам, нанример, по активности, селективности или механической прочности. В отличие от классификации кластерный анализ определяет границу между естественными группами реализаций, не пересекающимися во всем пространстве рассматриваемых признаков. С этой точки зрения можно сказать, что установление естественной границы классов по алгоритмам без учителя есть кластерный анализ. [c.83]

Формирование технологической структуры представляет собой задачу кластерного анализа (классификации) и задачу о назначении. Последняя описана в разд. 3.3.3. [c.243]

В качестве мер сходства в кластерном анализе часто применяют [c.246]

Кластерный анализ позволяет определить области в изучаемом пространстве, которое связано с образами различных классов. Для определения кластеров можно использовать доверительные границы, соответствующие вероятности ошибок. [c.86]

На втором этапе для рационального отбора значений неопределенных параметров ХТП, с тем чтобы сократить затраты машинного времени, применяется метод кластерного анализа [172]. Полученные (с использованием метода статистических испытаний) точки сочетаний значений неопределенных параметров ХТП разбиваются на некоторое множество взаимно непересекающихся групп (кластеров). Число кластеров Nk. определяется из условия [c.135]

Программирование, кластерный анализ, теория массового обслуживания, имитационное моделирование [c.212]

Известно множество различных методов кластерного анализа. Однако трудно найти такое конкретное применение кластерного анализа, при котором используются только уже существующие методы. Это подтверждает приведенное выше положение, что специфика объекта исследования оказывает большое влияние на решение задачи о группировке по кластерам. Многие из тех, у кого возникает необходимость в проведении кластерного анализа, создают один или несколько новых методов. Кластерному анализу посвящены работы [126]. [c.249]

Приведенные и другие работы, использующие кластерный анализ для классификации объектов по сходству и различию соответству- [c.249]

Важный аспект кластерного анализа — выбор расстояния между объектами или кластерами. В литературе описано много вариантов. В основном они зависят от конкретного приложения кластерного анализа, но некоторые носят более общий характер, например, размытая мера близости, определенная Бэкером [128]. Часто желательно использовать при решении одной задачи несколько способов. В настоящее время существуют обширные библиотеки программ для кластерного анализа [129]. [c.252]

Подобные размытые классификации могут быть использованы в области кластерного анализа для построения критерия обнаружения кластеров [128]. В этом, как и в других случаях, теорию размытых множеств применяют, чтобы получить гибкое и всестороннее описание реально используемой стратегии. [c.253]

Диагностирование неполадок облегчается в том случае, если для их классификации и анализа используется один из методов распознавания образов. Известно [157], что для диагностики неполадок используются три метода словари неполадок, кластерный анализ и анализ шумов и вибраций. Остановимся на алгоритме использования словарей неполадок. [c.265]

Реализация статистического метода предполагает существование множества объектов, заданных некоторым набором признаков. Статистические характеристики признаков считаются известными полностью или частично. В основном используются дискриминантный анализ, выделение и выбор признаков, кластерный анализ. [c.203]

В отличие от дискриминантного анализа, в кластерном анализе отсутствует однозначный количественный критерий оценки качества классификации типа ошибки. Кластерным называют анализ объектов, проводимый с целью вьщеления структур, классов, множеств подобных объектов. Существует большое разнообразие методов кластеризации. [c.204]

Кластерный анализ проводится с использованием таких количественных характеристик, как мода распределения, дисперсия, расстояние, а также качественной информации, которой обладает ЛПР. [c.205]

Рассмотреть основы неконтролируемых методов группировки аналитических данных с использованием проекционных преобразований и кластерного анализа. [c.517]

Группировку объектов в классы можно осуществить с помощью методов кластерного анализа или проекции многомерных данных в подпространство меньшей размерности. При этом предполагается, что заранее не известно, к какому [c.521]

В основе иерархического представления спектров или структурных формул лежит группировка объектов с помощью некоторой меры подобия. Теоретические основы этой процедуры изложены в разд. 12.5.2 применительно к кластерному анализу. При поиске в базах данных основная проблема состоит в выборе метрики, подходящей для описания сходства спектров или структурных формул. [c.588]

Для ускорения поиска можно использовать предварительную группировку данных. Для этой цели используют неконтролируемые методы распознавания образов — в частности, метод главных компонент, факторный анализ, кластерный анализ (ср. разд. 12.5.2) или метод нейронных сетей. Затем неизвестный спектр относят к одному из полученных классов. [c.590]

К сказанному можно еще добавить, что и при представлении или визуализации данных мы сталкиваемся с аналогичными трудностями плохой интерпретируемостью и сложностью процедур, граничащей с их практической недоступностью для аналитика. Это относится почти ко всем методам многомерного статистического анализа, таким, как кластерный анализ, факторный анализ и т.п. И далеко не всегда статистик может посоветовать что-либо более существенное, чем бросить все дела и заняться самообразованием в области статистических методов. [c.11]

Если теперь рассмотреть множество М=, т технологических процессоБ, то, решая многократно задачу (3.26) — (3.29), можно объединить в один класс наиболее близкие между собой процессы. Такой процесс называется иерархической процедурой классификации, а дисциплина, изучающая принципы и алгоритмы классификации объектов по совокупности признаков (поли-тетической классификации) — кластерным анализом. [c.176]

Классификац[1ю технологических процессов по критерию ап-па11атурпой аналогии при объединении их в группы выполняют ме одами кластерного анализа. Машинные алгоритмы иерархической классификации основаны на известных методах решения [c.241]

Из методов теории распознавания образов для обнаружения и выявления причин неисправностей, основанных на непараметрическом (со свободными распределениями) подходе к устаков-лению стратегии классификации, можно выделить дискретный анализ, кластерный анализ и последовательные непараметрические методы классификации. [c.86]

Анализ объектов, проводимый с целью поиска структур, классов, наборов сходных о ектов и т. п., называют кластерным анализом. Иными словами, кластеризацией идентифицируют области в изучаемом пространстве, которое связано с образами различных классов. Для кластерного анализа не существует единого количественного критерия, так как его нельзя указать, поскольку постановка задачи может быть существенно различной. В одном случае необходимо отыскать группы с высокой плотностью вероятности и малой дисперсией, в другом — разыскиваются структуры, состоящие из связанных друг с другом точек. [c.249]

Была предпринята попытка рассмотреть проблему описания совокупности генерированных завершенных структур. Важно знать, к примеру, частоту появления стеблей в совокупности. Один или же больше стеблей встречаются всегда Для часто появляющихся стеблей характерно отражение инвариантных аспектов скручивания. То же самое можно сказать о статистике, соответствующей частоте, с которой расположения отдельных оснований появляются в спаренной форме. Для этого удобно соотнести каждой найденной завершенной структуре двоичную последовательность, в которой элемент в /-м положении равен единице, если /-е основание появляется спаренным с другим, и нулю — в противном случае. Тогда мы можем определить расстояние между структурами просто как расстояние Хэмминга между их двоичными последовательностями. Затем можно легко обратиться к методологии кла-стерирования с целью нахождения кластеров внутри данной совокупности. Для некоторых образцов РНК был осуществлен кластерный анализ, но он носил главным образом предварительный характер в ожидании более тщательного обоснования нашего подхода при использовании метода Монте-Карло. Следует также отметить, что обсуждение, проведенное при кластерном анализе, основано на перечнях свойств, в рамках которых генерируется вектор для каждой структуры в зависимости от наличия или отсутствия определенных свойств. Интерес представляет, например, перечень свойств, характеризующих симметрию структуры. До сих пор в этом направлении был достигнут незначительный прогресс, но он представляется многообещающим. [c.527]

Группировка данных в кластеры (кластеризащ1я) на основе близости их свойств (расстояний в пространстве признаков) осуществляется методами иерархического и неиерархического кластерного анализа. [c.529]

Наряду с поисковыми и интерпретирующими системами, основанными на использовании библиотечных масс спектров существуют системы для идентификации соединений, базирующи еся на методах обработки многомерной информации В отличие от индивидуальной идентификации они позволяют выявить общие групповые характеристики классов и групп соединений К ним относятся методы распознавания образов, кластерного и факторного анализа В этом случае масс спектры обычно представляются в виде точек в многомерном пространстве с числом измерений, равным числу масс спектральных характе ристик в полном или сокращенном масс спектре Значения этих характеристик являются координатами точки в многомерном пространстве, так что чем больше сходство между масс спект рами тем ближе расположены друг к другу соответствующие им точки в пространстве Если заранее задается свойство или структурная характеристика, по которой судят о близости ана лизируемых объектов, то путем обучения системы на масси ве масс спектров известных соединений определяются границы областей в пространстве (кластеров), в которые попадают со единения с данным признаком К таким методам называемым обучением с учителем относятся расчет расстоянии от средне го масс спектра каждого класса соединений метод обучающихся машин и метод ближаиших соседей Если же это классифици рующее свойство точно не известно ити примеров для обучения не имеется, то используются методы распознавапия образов без обучения или кластерный анализ [71] [c.122]

Методы и модели планирования нефтеперерабатывающих производств в условиях неполной информации (1987) -- [ c.203 ]

Аналитическая химия Том 2 (2004) -- [ c.2 , c.529 ]

Статистика в аналитической химии (1994) -- [ c.0 ]

Компьютеры в аналитической химии (1987) -- [ c.395 ]

Обнаружение и диагностика неполадок в химических и нефтехимических процессах (1983) -- [ c.21 , c.221 , c.250 ]

Справочник химика 21

Химия и химическая технология