
НМ_4_Prod
.docxМИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ
ХАРЬКОВСКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ РАДИОЭЛЕКТРОНИКИ
Кафедра СТ
ОТЧЕТ
С практического занятия №4
по дисциплине: «Нечеткие множества»
Выполнили: ст.гр.СПРм-19-1 Мызников Р. Шемчук В. Зубко В. |
Проверил: Петров К.Э.
|
Харьков 2019
Исследование алгоритма нечеткой кластеризации
1 Цель работы
Целью лабораторной работы является исследование алгоритма нечеткой кластеризации и получение практических навыков решения задач кластеризации методами нечеткой логики.
2 Исходные данные
Перед началом работы были изучены основные понятия, определения и алгоритмы нечеткой кластеризации.
Исходными данными является матрица данных D в виде текстового файла.
Рисунок 2.1 – Часть входных данных в текстовом файле.
3 Ход работы
Для решения задачи нечеткой кластеризации на основе алгоритма FCM, в системе Matlab будем использовать специальный графический интерфейс кластеризации, который вызывается функцией findcluster.
Рисунок 3.1 – Средство Matlab
Для начала загрузим тестовые данные при помощи команды load fcmdata.dat, после чего вызовем графический интерфейс командой findcluster fcmdata.dat.
Рисунок 3.2 – Загруженные данные
3.1 Метод нечетких средних.
В графическом интерфейсе выберем метод – fcm, оставим параметры по-умолчанию и нажмем Start.
Рисунок 3.3 – Результат работы алгоритма FCM
Посколько количество кластеров было задано 2, было найдено 2 кластера за 11 итераций. Теперь зададим большее количество кластеров.
Рисунок 3.4 – Результат работы алгоритма FCM при значении Cluster Num. = 5
Все 5 кластеров были определены, но за большее количество итераций.
3.2 Метод subtractive.
В графическом интерфейсе выберем метод – subtractive, оставим параметры по-умолчанию и нажмем Start.
Рисунок 3.4 – Результат работы алгоритма subtractive
Данный метод сам определяет количество кластеров. В результате работы их оказалось 3.
Лучшие результаты можно получить при значениях Influence Range = 0,2 и 0,5.
Рисунок 3.5 Результат работы алгоритма subtractive со значением Influence Range = 0.2
Как и положено, алгоритмом было выявлено больше кластеров, центры которых обозначены черными точками.
Выводы:
В ходе выполнения данной лабораторной работы были исследованы алгоритмы нечеткой кластеризации, а также были получены навыки решения задач кластеризации методами нечеткой логики.