Послідовне нечітке кластерування на основі нейро-фаззі підходу

Abstract

UK: У статті запропоновано on-line нейро-фаззі систему для вирішення задач послідовного нечіткого кластерування даних, що дозволяє опрацьовувати вектори спостережень за умов обмеженого числа даних в оброблюваній вибірці, а також алгоритм її самоначання на основі самоорганізовної мапи Т. Когонена. Архітектура системи містить сім шарів обробки інформації і є за своєю суттю гібридом системи Ванга-Менделя та нечіткої кластерувальної самоорганізовної мережі. Запропонована система в процесі самонавчання налаштовує не лише свої параметри, але й архітектуру в on-line режимі. Для налаштування параметрів функцій належності гібридної нейро-фаззі системи введено алгоритм, що ґрунтується на використанні конкуренткого навчання. У процесі навчання гібридна нейро-фаззі система налаштовує синаптичні ваги, центри і параметри ширини функцій належності. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру гібридної нейро-фаззі системи. Проведено низку експериментів з дослідження властивостей запропонованої системи. Результати експериментів підтвердили те, що запропоновану систему можна використовувати для розв’язання задачі кластерування, при цьому обробляння даних відбувається в on-line режимі. Система характеризується простотою чисельної реалізації. Характерною особливістю запропонованої системи є те, що вона об’єднує в собі як навчання з вчителем, так і самонавчання. EN: An on-line neuro-fuzzy system for solving data stream fuzzy clustering task and its self-learning procedures based on T. Kohonen’s rule are proposed in the paper. The architecture of proposed system consists of seven information processing layers and represents the hybrid of the Wang-Mendel system and clustering self-organizing network. During a learning procedure in on-line mode, the proposed system tunes both its parameters and its architecture. For tuning of membership functions parameters of neuro-fuzzy system the method based on competitive learning is proposed. The hybrid neuro-fuzzy system tunes its synaptic weights, centers and width parameters of membership functions. Software that implements the proposed hybrid neuro-fuzzy system’s architecture has been developed. A number of experiments has been held in order to research the proposed system’s properties. Experimental results have proved the fact that the proposed system could be used to solve a sequential stream clustering task. The proposed system provides computational simplicity. A distinguishing feature of the proposed system is that this system combine supervised learning and self-learning procedures.