Участник:Demon smd/Нечеткий алгоритм С средних

Нечеткий алгоритм C средних (Fuzzy C-means)
Последовательный алгоритм
Последовательная сложность	[math]\displaystyle{ - }[/math]
Объём входных данных	[math]\displaystyle{ - }[/math]
Объём выходных данных	[math]\displaystyle{ - }[/math]
Параллельный алгоритм
Высота ярусно-параллельной формы	[math]\displaystyle{ - }[/math]
Ширина ярусно-параллельной формы	[math]\displaystyle{ - }[/math]

Авторы описания алгоритма: Д.А.Гуськов М.А.Абраменкова

Свойства и структура алгоритма

Общее описание алгоритма

Нечёткий алгоритм кластеризации С-средних был разработан (для случая m=2) J.C. Dunn в 1973 г. и усовершенствован (для случая m>1) J.C. Bezdek в 1981 г. . В отличие от алгоритма c-means Данный метод кластеризации предполагает, что входные данные могут принадлежать более, чем одному кластеру одновременно. Алгоритм получает на вход набор кластеризируемых векторов, количество кластеров, коэффициент неопределённости m и коэффициент [math]\displaystyle{ \varepsilon \gt 0 }[/math], определяющий точность алгоритма. На выходе алгоритма получаем матрицу вероятностей принадлежности каждого входного вектора каждому кластеру.

Нечеткий алгоритм С средних для каждого вектора определяет случайным образом значения принадлежности вектора к каждому кластеру и запускает итерационный процесс, на каждой итерации которого происходит:

1) Расчёт центров кластеров.

2) Расчёт Евклидова расстояния от каждого вектора до центра каждого кластера

3) Расчёт и нормализация коэффициентов принадлежности векторов кластерам

4) Расчёт значения решающей функции и сравнение этого значения со значением решающей функции на предшествующей итерации.Если их разница меньше установленного значения, то алгоритм прекращает работу. Решающая функция возвращает сумму всех Евклидовых расстояний каждого объекта к каждому центру кластера умноженному на коэффициент принадлежности

Математическое описание алгоритма

Нечеткий алгоритм С средних минимизирует величину:

[math]\displaystyle{ \begin{align} J_{m} = \sum_{i = 1}^{N}\sum_{j = 1}^{C}u_{i,j}^m\left\Vert{x_{i}-c_{j}}\right\|^2 & & , & & 1 \le m \le \infty & ; \\ \end{align} }[/math]

где m - это действительное число не меньше единицы, [math]\displaystyle{ u_{i,j} }[/math] - коэффициент принадлежности вектора [math]\displaystyle{ x_{i} }[/math] к кластеру [math]\displaystyle{ c_{j} }[/math], [math]\displaystyle{ x_{i} }[/math] - [math]\displaystyle{ i }[/math]-ый компонент [math]\displaystyle{ N }[/math]-мерного вектора [math]\displaystyle{ x }[/math], [math]\displaystyle{ c_{j} }[/math] - центр [math]\displaystyle{ j }[/math]-ого кластера, а [math]\displaystyle{ \left\Vert{*}\right\| }[/math] - это любая норма, определяющая расстояние от вектора до центра кластера. Нечёткое разбиение входных данных на кластеры производится итеративной оптимизацией вышеуказанной функции с обновлением коэффициента принадлежности [math]\displaystyle{ u_{i,j} }[/math] и переопределением центра кластера [math]\displaystyle{ c_{j} }[/math] на каждой итерации алгоритма.

Вычисляемые данные на каждой итерации

• Центры кластеров рассчитываются по следующей формуле: [math]\displaystyle{ c_{j} = {{\sum_{i = 1}^{n}{u_{i,j}^m} * x_{i}} \over {\sum_{i = 1}^{n}{u_{i,j}^m}}} }[/math], где [math]\displaystyle{ u_{i,j} }[/math] — коэффициент принадлежности [math]\displaystyle{ x_{i} }[/math] вектора к кластеру [math]\displaystyle{ c_{j} }[/math].

• Евклидово расстояние от вектора [math]\displaystyle{ x_{i} }[/math] до центра кластера [math]\displaystyle{ c_{j} }[/math] рассчитывается по формуле: [math]\displaystyle{ \left\Vert{x_{i}-c_{j}}\right\|^2 }[/math]

• Коэффициент принадлежности рассчитывается по формуле: [math]\displaystyle{ u_{i,j} = {1 \over \sum_{k = 1}^{C}{({\left\Vert{x_{i}-c_{j}}\right\| \over \left\Vert{x_{i}-c_{k}}\right\|})}^{2 \over m-1}} }[/math]

• Нормализация всех коэффициентов принадлежности объекта производится по формуле: [math]\displaystyle{ u_{i,j} = {u_{i,j} \over \sum_{j = 1}^{C}{u_{i,j}}} }[/math]

• Решающая функция рассчитывается по формуле: [math]\displaystyle{ \max_{i,j}(|u_{i,j}^{(k)} - u_{i,j}^{(k-1)}|) }[/math], где [math]\displaystyle{ k }[/math] - номер итерации алгоритма

Вычислительное ядро алгоритма

Из вышесказанного следует, что ядром алгоритма является вычисление нового центра кластеров, для каждого входного вектора вычисление Евклидова расстояния до центров кластеров, а также коэффициент принадлежности и вычисления решающей функции.

Схема реализации последовательного алгоритма

Схему реализации последовательного алгоритма можно описать на C++ следующим образом:

<math>
FCM (x_{i}, C, m, \varepsilon){
    float deside = 0;
    float newDeside = 0;
    generateMembershipDegree();
    repeat{
        newDeside = deside;
        for (int j=0; j<C; j++){           //для каждого кластера
            float numerator = 0;
            float denumerator = 0;
            for (int i=0; i<X; i++){        //для каждого вектора
                numerator+=u_{i,j}^m} * x_{i};
                denumerator+=u_{i,j}^m};
            }
            c_{j} = numerator / denumerator;
        }

        for (int c=0; c<C; c++)    //для каждого кластера
            for (int i=0; i<X; i++)    //для каждого вектора
                calculateMembershipDegree();   //вычисление коэффициентов принадлежности
        deside = calculateDeside();
    } until ()
}
</math>

Входные и выходные данные алгоритма

Входные данные алгоритма

• [math]\displaystyle{ x_{i} }[/math] - набор входных векторов
• [math]\displaystyle{ C }[/math] - количество кластеров
• [math]\displaystyle{ m }[/math] - коэффициент неопределённости
• [math]\displaystyle{ \varepsilon \gt 0 }[/math] - коэффициент, определяющий точность алгоритма.

Выходные данные алгоритма

• [math]\displaystyle{ u }[/math] - матрица принадлежности векторов кластерам

Литература

<references \>