Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Shafronenko A$<.>) |
Загальна кількість знайдених документів : 6
Представлено документи з 1 до 6
|
1. |
Shafronenko A. The evolving adaptive neural network for data processing with missing observations [Електронний ресурс] / A. Shafronenko, I. Pliss, Ye. Bodyanskiy // Радіоелектроніка, інформатика, управління. - 2013. - № 2. - С. 119-125. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2013_2_21 The problem of computational intelligence systems synthesis in on-line mode, capable for processing stochastic signals with missing observations in the data is considered. An adaptive approach based on using of orthogonal polynomials is developed.
| 2. |
Bodyanskiy Ye. Adaptive fuzzy clustering for data with missing values based on the nearest prototype – centroid strategy [Електронний ресурс] / Ye. Bodyanskiy, A. Shafronenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2013. - № 771. - С. 309-315. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2013_771_44 Розглянуто задачу кластеризації масивів векторних даних, що мають пропущені значення у деяких компонентах. Запропоновано адаптивний підхід до кластеризації таких даних за умов, коли класи перетинаються. В основі підходу є використання модифікованої мапи Кохонена з функцією сусідства спеціального вигляду.
| 3. |
Bodyanskiy Y. On-line robust fuzzy clustering based on similarity measure [Електронний ресурс] / Y. Bodyanskiy, A. Shafronenko // Системні технології. - 2013. - Вип. 6. - С. 11-20. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2013_6_4
| 4. |
Bodyanskiy Ye. V. Tables of data with gaps restoration using multivariate fuzzy extrapolation [Електронний ресурс] / Ye. V. Bodyanskiy, A. Yu. Shafronenko // Системні технології. - 2014. - Вип. 6. - С. 11-17. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2014_6_4
| 5. |
Bodyanskiy Ye. V. Online fuzzy clustering of incomplete data using credibilistic approach and similarity measure of special type [Електронний ресурс] / Ye. V. Bodyanskiy, A. Yu. Shafronenko, I. N. Klymova // Радіоелектроніка, інформатика, управління. - 2021. - № 1. - С. 97-104. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2021_1_12 У більшості завдань кластеризації (класифікації без вчителя), пов'язаних з обробкою реальних даних, початкова інформація, у тому чи іншому випадку як правило, спотворюється через аномальні викиди (збурення) та пропуски. Зрозуміло, що "класичні" методи інтелектуального аналізу даних (як пакетні, так і онлайн) в цій ситуації неефективні. Мета роботи - запропонувати процедуру нечіткої кластеризації викривлених даних з використанням достовірного підходу та міри подібності спеціального типу, а також розробка метода достовірної нечіткої кластеризації спотворених даних із використанням теорії довіри, яка була би позбавлена недоліків імовірнісних і можливісних підходів кластеризації викривлених даних. Процедура нечіткої кластеризації неповних даних із використанням достовірного підходу та міри схожості спеціального типу, заснована на використанні робастних цільових функцій спеціального типу, а також мір подібності, нечутливих до викидів та призначених для роботи як у пакетній, так і в онлайн версії для вирішення проблем Data Stream Mining, коли дані надходять на обробку послідовно в режимі реального часу. Запропоновані методи є простими в чисельній реалізації та позбавлені недоліків, властивих традиційним методам імовірнісної та можливістної нечіткої кластеризації. Висновки: проведені експериментальні дослідження підтвердили результативність та якість роботи запропонованих методів достовірної нечіткої кластеризації спотворених даних і дозволяють рекомендувати їх для використання на практиці для вирішення проблем автоматичної кластеризації викривлених даних. Запропонований метод призначений для використання в гібридних системах обчислювального інтелекту і, перш за все, у проблемах навчання штучних нейронних мереж, нейро-фаззі систем, а також у завданнях кластеризації та класифікації.
| 6. |
Shafronenko A. Yu. Credibilistic robust online fuzzy clustering in data stream mining tasks [Електронний ресурс] / A. Yu. Shafronenko, N. V. Kasatkina, Ye. V. Bodyanskiy, Ye. O. Shafronenko // Радіоелектроніка, інформатика, управління. - 2023. - № 3. - С. 97-103. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2023_3_12 Задача кластеризації-класифікації без вчителя масивів даних займає важливе місце у загальній проблемі Data Mining, а для її вирішення існує на цей час безліч підходів, методів та алгоритмів. Існує достатньо багато ситуацій, коли реальні дані, що підлягають кластеризації, забруднені аномальними викидами або збуреннями з не Гаусівськими розподілами. Це веде до того, що традиційні методи, що використовують квадратичні метрики не забезпечують бажані результати. Мета роботи - розробка достовірного робастного методу нечіткої кластеризації онлайн, який поєднує в собі переваги теорії довіри та робастних підходів у задачах нечіткої кластеризації. Процедура нечіткої кластеризації даних з використанням достовірного підходу, заснованого на використанні як робастних цільових функцій спеціального типу, нечутливих до викидів, так і призначених для роботи як у пакетному режимі, так і в його повторюваній онлайн-версії, призначеній для вирішення проблем Data Stream Mining, коли дані надходять на обробку послідовно в режимі реального часу. Аналізуючи загальну точність отриманих результатів методів і алгоритму кластеризації, запропонований метод подібний до результату достовірного методу нечіткої кластеризації, але має перевагу в часі незалежно від кількості спостережень, які були використані в процесі кластеризації. Висновки: розглянута задача нечіткої кластеризації потоків даних, забруднених аномальними викидами. Введено у розгляд рекурентний достовірний онлайн алгоритм, заснований на цільовій функції спеціального вигляду, що придушує ці викиди за допомогою використання функції гіперболічного тангенса, що крім нейронних мереж використовується у задачах робастного оцінювання. Запропонований алгоритм є достатньо простим у чисельній реалізації і є узагальненням деяких відомих онлайн процедур нечіткої кластеризації призначених для вирішення задач Data Stream Mining.
|
|
|