A Heuristic Approach to Possibilistic Clustering: Algorithms and Applications

کتاب حاضر رویکرد جدیدی را برای خوشه‌بندی احتمالی تشریح می‌کند که در آن ساختار خوشه‌بندی مورد نظر مجموعه اشیاء مستقیماً مبتنی بر تعریف رسمی خوشه فازی است و عضویت‌های احتمالی مستقیماً از مقادیر دوتایی تعیین می‌شوند. شباهت اشیاء روش پیشنهادی می تواند برای حل مسائل طبقه بندی مختلف استفاده شود. در اینجا، برخی از تکنیک‌هایی که ممکن است برای این منظور مفید باشند، تشریح شده‌اند، از جمله روشی برای ساخت مجموعه‌ای از اشیاء برچسب‌گذاری شده برای الگوریتم خوشه‌بندی نیمه‌نظارت‌شده، روش‌شناسی برای کاهش ابعاد فضای ویژگی تحلیل‌شده و روش‌هایی برای پردازش نامتقارن داده‌ها. علاوه بر این، تکنیکی برای ساخت زیرمجموعه‌ای از مناسب‌ترین گزینه‌ها برای مجموعه‌ای از روابط ترجیحی فازی ضعیف، که بر روی جهانی از گزینه‌ها تعریف شده‌اند، به تفصیل شرح داده می‌شود و روشی برای نمونه‌سازی سریع سیستم‌های استنتاج فازی ممدانی معرفی می‌شود. این کتاب به مهندسان، دانشمندان، اساتید، دانشجویان و دانشجویان تحصیلات تکمیلی می‌پردازد که به خوشه‌بندی فازی و کاربردهای آن علاقه دارند و با آن کار می‌کنند

The present book outlines a new approach to possibilistic clustering in which the sought clustering structure of the set of objects is based directly on the formal definition of fuzzy cluster and the possibilistic memberships are determined directly from the values of the pairwise similarity of objects. The proposed approach can be used for solving different classification problems. Here, some techniques that might be useful at this purpose are outlined, including a methodology for constructing a set of labeled objects for a semi-supervised clustering algorithm, a methodology for reducing analyzed attribute space dimensionality and a methods for asymmetric data processing. Moreover, a technique for constructing a subset of the most appropriate alternatives for a set of weak fuzzy preference relations, which are defined on a universe of alternatives, is described in detail, and a method for rapidly prototyping the Mamdani’s fuzzy inference systems is introduced. This book addresses engineers, scientists, professors, students and post-graduate students, who are interested in and work with fuzzy clustering and its applications