Идентификация границы кластера в заданном направлении

DOI: https://doi.org/10.17308/sait/1995-5499/2023/1/96-105
Ключевые слова: модель данных, пространство параметров, анализ данных, идентификация границы

Аннотация

Результаты кластерного и дискриминантного анализа используются в задачах диагностики объектов различной природы, управлении технологическими процессами и т. д. Однако, вопрос о представлении, хранении и использовании результатов анализа данных не получил должного внимания. Это вынуждает пользователей повторно проводить дорогостоящие эксперименты и вычисления, чтобы затем решать свои прикладные задачи. Нами предлагается универсальный метод представления и обработки результатов анализа данных. Для этого мы используем модель данных, представленную в предыдущих наших работах. Основным компонентом модели является графическая информация, в которой области в многомерном пространстве (кластеры) ограничены поверхностями общего вида. Каждой границе соответствует погрешность ее описания. Погрешность определения границ основана на погрешности соответствующих вычислительных и/или экспериментальных измерений. Ранее нами предложен и подробно исследован алгоритм идентификации областей (кластеров) в многомерном пространстве параметров. В данной статье представлено его краткое изложение. Основным результатом данной статьи является алгоритм определения предельной точки области (кластера) по фиксированной точке и вектору направлений. Такой алгоритм может быть использован в технологических процессах для удержания параметров в рамках допустимых значений, для оптимизации энергетических затрат при достижении поставленной цели и т. д. В статье приводится доказательство корректности алгоритма, сравнение его с альтернативным подходом и расчет вычислительной сложности.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Сергей Владимирович Зыкин, Институт математики им. С. Л. Соболева СО РАН

д-р техн. наук, профессор, внс, Институт математики им. С. Л. Соболева СО РАН

Владимир Сергеевич Зыкин, Институт математики им. С. Л. Соболева СО РАН

канд. физ.-мат. наук, cнс, Институт математики им. С. Л. Соболева СО РАН

Литература

1. Wang G. Z. and Zhang J. W. (2013) Clustering-boundary-detection algorithm based on center-of-gravity of neighborhood. TELKOMNIKA Indonesian Journal of Electrical Engineering. 11(12), P. 7302–7308. DOI
2. Qiu B. and Wang S. (2011) A Boundary Detection algorithm of clusters based on Dual Threshold Segmentation. Seventh International Conference on Computational Intelligence and Security. Sanya, Hainan, China, December 3–4. P. 1246–1250. DOI
3. Dave R. N. (1992) Boundary detection through fuzzy clustering. Proceedings IEEE International Conference on Fuzzy Systems. 08–12 March 1992, San Diego, CA, USA, 127–134. DOI
4. Krishnapuram R., Frigui H. and Nasraoui O. (1995) Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation II. IEEE Transactions on Fuzzy Systems. 3(1). P. 44–60. DOI
5. Weiss R. and Smith L. P. (1998) Parameter space methods in joint parameter estimation for groundwater flow models. Water Resources Research. 34(4). P. 647–661. DOI
6. Kong Q. L. and Zhu Q. M. (2007) Incremental procedures for partitioning highly intermixed multi-class datasets into hyper-spherical and hyper-ellipsoidal clusters. Data & Knowledge Engineering. 63(2). P. 457–477. DOI
7. Lim T., Medellin H., Torres-Sanchez C., Corney J. R., Ritchie J. M. and Davies J. B. C. (2005) Edge-based identification of DP-features on free-form solids. IEEE Transactions on Pattern Analysis and Machine Intelligence. 27(6). P. 851–860. DOI
8. Nartov B. K. and Poluyanov A. N. (2020) Search control at routes with risk. CEUR Workshop Proceeding. Omsk, Russia, April 23–30. 2642. P. 1–7.
9. Xi D. and Gallo P. (2019) An additive boundary for group sequential designs with connection to conditional error. Statistics in Medicine. 38(23). P. 4656–4669. DOI
10. Oliveira F. L. P., Cançado A. L. F., de Souza G., Moreira G. J. P. and Kulldorff M. (2018) Border analysis for spatial clusters. International Journal of Health Geographics. 17(5). DOI
11. Ester M., Kriegel H.-P., Sander J. and Xu X. (1996) A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD- 96), Portland, Oregon, August 2–4. P. 226–231.
12. Zykin S. V. (2020) Representation of data analysis results in multidimensional parameter space. Journal of Physics: Conference Series. 1546(012109). DOI
13. Zykin S. V. and Zykin V. S. (2021) Domains identification by the parameter values in multidimensional space. Journal of Physics: Conference Series. 1901(012056). DOI
14. Shovin V. A. and Goltyapin V. V. (2019) Application of structural equations of hemodynamics in evaluation of efficiency of physiotherapy of arterial hypertension. Journal of Physics: Conference Series. 1210 (012128). DOI
Опубликован
2023-05-12
Как цитировать
Зыкин, С. В., & Зыкин, В. С. (2023). Идентификация границы кластера в заданном направлении. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 96-105. https://doi.org/10.17308/sait/1995-5499/2023/1/96-105
Выпуск
№ 1 (2023): Январь – Март
Раздел
Интеллектуальные системы, анализ данных и машинное обучение
  1. Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
  2. Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
Crossref
Scopus
Google Scholar
Europe PMC