Онлайн метод можливісної кластеризації даних на основі еволюційної оптимізації котячих зграй

Abstract

UK: Актуальність. Проблема кластеризації великих даних сьогодні є дуже цікавою сферою штучного інтелекту. Це завдання часто зустрічається у багатьох додатках, пов’язаних з інтелектуальним аналізом даних, глибоким навчанням, веб-майнінгом тощо. Для вирішення цих проблем традиційні підходи та методи вимагають, щоб уся вибірка даних подавалася у пакетній формі. Мета. Метою роботи було запропонувати метод нечіткої можливісної кластеризації даних з використанням еволюційної оптимізації котячих зграй, який був би позбавлений недоліків традиційних підходів до кластеризації даних. Метод. Процедура нечіткої можливісної кластеризації даних із використанням еволюціних алгоритмів, для більш швидкого визначення екстремумів вибірки, центроїдів кластерів та адаптивних функцій, що дозволяють не витрачати ресурси машини для зберігання проміжних розрахунків та не потребують додаткового часу для вирішення поставленої задачі кластеризації даних незалежно від розмірності та способу подачі на обробку. Результати. Запропонований алгоритм кластеризації даних на основі еволюційної оптимізації є достатньо простим у чисельній реалізації, позбавлений недоліків, властивих традиційним методам нечіткої кластеризації та може працювати з великим розміром вихідної інформації, що обробляється, в режимі онлайн у реальному часі. Висновки. Результати експерименту дозволяють рекомендувати розроблений метод для вирішення проблем автоматичної кластеризації та класифікації великих даних, максимально швидко знаходити екстремуми цільової функції, незалежно від способу подачі даних на обробку. Запропонований метод онлайн можливісної нечіткої кластеризації даних на основі еволюційної оптимізації котячих зграй призначений для використання у гібридних системах обчислювального інтелекту, нейро-фаззі системах,в навчанні штучних нейронних мереж, у завданнях кластеризації та класифікації. EN: Context. The problems of big data clustering today is a very relevant area of artificial intelligence. This task is often found in many applications related to data mining, deep learning, etc. To solve these problems, traditional approaches and methods require that the entire data sample be submitted in batch form. Objective. The aim of the work is to propose a method of fuzzy probabilistic data clustering using evolutionary optimization of cat swarm, that would be devoid of the drawbacks of traditional data clustering approaches. Method. The procedure of fuzzy probabilistic data clustering using evolutionary algorithms, for faster determination of sample extrema, cluster centroids and adaptive functions, allowing not to spend machine resources for storing intermediate calculations and do not require additional time to solve the problem of data clustering, regardless of the dimension and the method of presentation for processing. Results. The proposed data clustering algorithm based on evolutionary optimization is simple in numerical implementation, is devoid of the drawbacks inherent in traditional fuzzy clustering methods and can work with a large size of input information processed online in real time. Conclusions. The results of the experiment allow to recommend the developed method for solving the problems of automatic clustering and classification of big data, as quickly as possible to find the extrema of the sample, regardless of the method of submitting the data for processing. The proposed method of online probabilistic fuzzy data clustering based on evolutionary optimization of cat swarm is intended for use in hybrid computational intelligence systems, neuro-fuzzy systems, in training artificial neural networks, in clustering and classification problems.