Кластеризация

Самообучающиеся системы. В них количество априорной информации достаточно только для определения словаря признаков, но недостаточно для проведения классификации объектов. Основное ядро такой системы — определенный набор правил, алгоритмов, позволяющих решать задачу б). Системы данного класса предназначены для решения задач, которые получили название задачи таксономии (кластеризации) . [c.80]

Общей чертой алгоритмов кластеризации является то, что они эвристические по своей природе, и поэтому успех их реализации [c.83]

В конечном счете зависит от мастерства исследователя (ЛПР). Кроме того, иногда возникают трудности с отнесением неизвестного объекта к одному из уже имеющихся классов. На рис. 2.8,а неизвестный объект следует отнести к ближайшему кластеру К . Однако в случае ситуации, показанной на рис. 2.8,6, отнесение неизвестного объекта к какому-либо кластеру по принципу наименьшего расстояния затруднительно. На рис. 2.9 приведен другой пример, который наглядно иллюстрирует важнейшую особенность кластеризации — совмещение в этой методологии элементов субъективной и объективной оценки. [c.84]

В настоящее время разработано большое число алгоритмов кластеризации, которые отличаются друг от друга процедурами группировки и критерием качества. Классифицировать их можно, согласно [471, следующим образом. [c.84]

Разбить множество объектов на кластеры требуется таким образом, чтобы минимизировать некоторый функционал (целевую функцию, функцию желательности), отражающий идею классификации (кластеризации). [c.244]

Используется ряд других способов кластеризации. Их можно отнести примерно к трем типам. [c.251]

Когда число кластеров известно, можно применить второй способ. В этом случае в качестве критерия используют отношение дисперсии внутри кластера к дисперсии между кластерами. Могут быть применены и другие критерии. Наиболее распространенная схема кластеризации основана на предположении, что всякая точка, определяемая входными данными, должна принадлежать кластеру с самым близким средним значением. Вначале случайно выбирают положения нужного числа центров исходных кластеров (т. е. указывают для них средние значения) так, чтобы центры оказались расположенными где-то между объектами. На втором шаге каждый из объектов приписывают тому кластеру, который лежит ближе всего (т. е. имеет самое близкое среднее значение). Затем рассчитывают новые положения центров кластеров и повторяют второй шаг. Операция быстро сходится. Результат в этом случае может зависеть от выбора начальных центров кластеров. Если число кластеров заранее не известно, операцию следует повторить для различного числа кластеров. [c.251]

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]

Во многих случаях можно ожидать, что точки будут статистически зависимыми только в течение коротких отрезков времени. Формальное выражение этого свойства кластеризации можно записать в виде [c.53]

Методы кластеризации и классификации часто объединяют под общим термином методы распознавания образов. [c.518]

В методах неиерархической кластеризации предполагается некоторое первоначальное распределение объектов между классами, принадлежность каждого [c.534]

КПС идентификации источников загрязнения атмосферного воздуха [8] (рис. 4.3) включает ППП для составления образов постоянно действующих источников и ППП для идентификации аварийных (залповых) источников загрязнения атмосферного воздуха, ППП для составления образов проб на станциях контроля и ППП классификации (кластеризации) источников загрязнения как систем распознавания образов на основе дискриминантного и нейросетевого подходов. Часть программных модулей, используемых для идентификации источников загрязнения атмосферного воздуха, входит в состав КПС прогнозирования. В частности, это программный модуль 2, используемый для построения образов постоянно действующих источников, программный модуль 8 определения приведенных характеристик эквивалентного источника с последующим формированием образа полученного эквивалентного источника в модуле 2 модуль 4, используемый для построения образов аварийных (залповых) источников. [c.310]

ППП классификации (кластеризации) источников как систем распознавания образов на основе [c.311]

Программный модуль классификации (кластеризации) источников загрязнения атмосферного воздуха как систем распознавания образов. В настоящее время в состав программного модуля входит процедура, использующая дискриминантный подход к распознаванию образов, реализующий алгоритм идентификации постоянно действующих источников загрязнения методом определения минимального расстояния в пространстве относительных концентраций загрязняющих веществ. Программный модуль реализован в качестве процедуры в модуле 2. [c.312]

Таким образом, растворение в A1N кислорода сопровождается кластеризацией примесных атомов (более подробно о состояниях единичных примесей в A1N см. гл. 2). Вместе с тем, замещение [c.111]

АЭ системы IV класса, используемые для диагностики производственных объектов, имеют развитое программное обеспечение. Оно, как правило, включает профаммные средства, которые обеспечивают сбор данных, фильтрацию, корреляционную обработку (как правило, для выявления утечек), обнаружение и фильтрацию электромагнитных помех (в том числе от высоковольтных линий электропередачи), локализацию дефектов с учетом затухания сигналов, автоматическую кластеризацию и определение характеристик кластеров, профамму постобработки. [c.327]

Эксперименты по рассеянию света [79-81] подтвердили довольно интенсивную кластеризацию Сбо, формирующего малые группы (несколько нанометров в диаметре), которые агрегируют в крупные фрактальные кластеры типа цепных структур с фрактальной размерностью 0-2.1. Эти образования размером -100-200 пт [c.212]

В ССЦ фуллерены проявляют способность к самоорганизации через формирование первичных групп - цепочек из - 60 фуллеренов (радиус группы - 8 пт), образующих компактные кластеры размером Rq - 20 пт с числом групп - (Ro/r g) - Кластеризация в ССЦ отличается от структурирования фуллеренов в бензоле, где возникают формы типа полимерных цепей массой - (Rq /гG) [c.213]

Поиск. Алгоритмы поиска проводят кластеризацию для такой выборки объектов, для которой, по предварительному анализу, исключены многие пз возможных способов разбиения. Фактически организуется паправленный поиск с учетом ряда ограничений. [c.85]

Поскольку в методах присутствуют элементы субъективной оценки, процедура кластеризации должна включать диалог исследователя с ЭВМ. Рассмотрим следующий пример. Пусть априорно известно, что свойства объектов идюют различную важность (информативность) для кластеризации. Если априорная информация достоверна, то качество кластеризации будет удовлетворительным, если нет, то в один кластер попадут объекты, которые по общим признакам должны быть отнесены к разным кластерам. В этом случае, изменяя в режиме диалога веса признаков, ЛПР может добиться улучшения кластеризации. Меняя алгоритмы кластеризации, веса признаков, ЛПР либо добивается желаемого результата и при этом одновременно узнает, какие свойства используются и на сколько они важнее других, либо вынужден признать, что имеющаяся информация не позволяет получить искомую кластеризацию. [c.85]

В настоящее время развивается подход, в котором для решения задачи кластеризации применяют печеткие множества (нечеткие кластеры). Теория нечетких множеств позволяет заменить строгую принадлежность объекта некоторому множеству на непрерывную степень принадлежности. Для ознакомления с теорией нечетких множеств, их применением для исследований в области каталитических процессов читатель мон ет обратиться к разд. 2.6, а также к [48]. [c.85]

Наиболее распространенные стратегии классификации — это алгомератнвные иерархические алгоритмы. Эти алгоритмы классификации работают следующи.м образом. Два наиболее близких обтзекта (технологических процесса) объединяются в один кластер. Тогда число объектов становится п—1, причем один кластер содержит два объекта, а остальные содержат по одному. Процесс повторяется до тех пор, пока все объекты не сгруппируются в один кластер. При кластеризации естествеппо используется интуитивное нредставление о расстоянии между объектом и кластером и между двумя кластерами. [c.246]

Алгоритм последовательной кластеризации полным неребо- KJ l кратко можно описать следующим образом. [c.247]

Общее уравнение для процесса кластеризации при любом ритернн оптимальности (уравнение Лписа — Уильямса) имеет ннд [c.248]

Кластеризация технологических процессов но их аппаратурному подобию позволяет, как это было показано в разделе 3.1, объединить их в груииы, для каж,10 "г из которых в дальнейшем ироектируется общая хи.мико-технологическая система. Поэтому нроце, ,ура кластеризации технологических процессов эквивалентна процессу формирования технологической структуры мно-гоассортиыентного производства. [c.248]

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]

Интегрирование проводится по т-мерному кубу объемом но благодаря свойству кластеризации подынтегральная функция обращается в луль, если только все переменные ( не отстоят друг от друга дальше, чем на расстояние порядка т ,. Область, где это свойство выполняется, представляет собой окрестность диагонали куба, и ее объем примерно равен Тогда (13.4.8) имеет порядок [c.342]

Например, если примеси могут образовать фазу, изоструктур-ную легируемой матрице, то результатом допирования явится кластеризация примесей, и в системе возникают локальные химические неоднородности (примесные комплексы). В противном случае результирующее состояние системы будут определять по крайней мере два возможных эффекта — реконструкция каждого дефекта и кластеризация разносортных дефектов. Естественно, что механизм формирования конечного состояния сложнолегированной системы будет зависеть от многих факторов — химического состава и структуры кристалла, химической природы и концентрации примесей, внешних условий. [c.59]

О N при сохранении комплектности металлической подрешетки приводит [38] к дестабилизации системы (относительно исходного нитрида), и для сохранения ее химической устойчивости требуется наличие катионных вакансий в соотношении ЪO .Vp . Для определения роли Уд1 в эффектах кластеризации примесей проведены (с использованием сверхячейки А1,5 д,М]зОз) расчеты структур (1— 3) для различных конфигураций примесь— вакансия. Среди возможных выбраны 1 — все дефекты максимально удалены друг от друга, 2 — вакансия удалена от кластера 30), 3 — все дефекты образуют ассоциат (30 + Уд, . Сравнение величин зонных энергий соответствующих структур непосредственно указывает на предпочтительность возникновения Уд, вблизи кластера 30 , т. е. образования ассоциатов 1 д, + 30). Качественно данный эффект можно трактовать как стремление системы к формированию в объеме AIN злектронейтральных комплексов У д) + 30 ) , в пределах которых избыточная электронная плотность ионов кислорода компенсируется за счет катионной вакансии. [c.111]

Энергии внедрения в а-А120з единичного дефекта без (Е ) и с учетом кластеризации дефектов (Е , эВ/дефект) и энергии образования кластеров дефектов ( ., эВ) прн растворении в корунде оксидов Са, Mg и Т для различных механизмов компенсации кристалла [c.135]

Существенную роль в энергетических эффектах, определяющих вероятность осуществления иных возможных механизмов растворения, см. (6.3)—(6.8), будет играть эффект кластеризации дефектов — инородных атомов и(или) вакансий и междуузельных ионов. Оценки энергий внедрения Са " , и с учетом кластеризации дефектов (Ej), табл. 6.4, указывают, что магний будет преимущественно внедряться в AI2O3 по механизму самокомпенсации (замещения—внедрения), образуя ассоциат Mg, + 2М д + . Для СаО более вероятен будет процесс замещения Са " АР с одновременным возникновением кислородной вакансии компенсация за счет образования катионного дефекта (Уд,) оказывается менее выгодна. Ион титана будет внедряться с образованием катионной вакансии. [c.136]

Метод классификации по расстоянию от средних спектров применим, когда каждый класс соединений может быть пред ставлен одной точкой в пространстве или набором точек во круг которых группируются все точки соответствующие соеди нениям этого класса, образуя кластер Классификация произ водится по минимальному расстоянию до центра (или грани цы) соответствующего кластера точки, отвечающей анализиру емому спектру Эффективность этого метода зависит от плот ности группировки точек в пространстве вокруг среднего поло жения кластера и степени перекрывания разных кластеров Многие кластеры простых алифатических соединений, содержа щих функциональные группы, например кето группу, хорошо определены и четко отделены от других кластеров во многих других случаях кластеризация намечается слабо, в этих случа ях лучше использовать другие методы распознавания образов, например метод обучающихся машин или метод К ближайших соседей (КБС) [c.122]

Справочник химика 21

Химия и химическая технология