13.5 Алгоритм нечеткой кластеризации

Алгоритм нечеткой кластеризации называют FCM-алгоритмом (Fuzzy Classifier Means, Fuzzy C-Means). Целью FCM-алгоритма кластеризации является автоматическая классификация множества объектов, которые задаются векторами признаков в пространстве признаков. Другими словами, такой алгоритм определяет кластеры и соответственно классифицирует объекты. Кластеры представляются нечеткими множествами, и, кроме того, границы между кластерами также являются нечеткими.

FCM-алгоритм кластеризации предполагает, что объекты принадлежат всем кластерам с определенной ФП. Степень принадлежности определяется расстоянием от объекта до соответствующих кластерных центров. Данный алгоритм итерационно вычисляет центры кластеров и новые степени принадлежности объектов.

Для заданного множества К входных векторов и N выделяемых кластеров предполагается, что любой принадлежит любому с принадлежностью , где j – номер кластера, a k – входного вектора. Принимаются во внимание следующие условия нормирования для :

;

Цель алгоритма – минимизация суммы всех взвешенных расстояний :

где q – фиксированный параметр, задаваемый перед итерациями.

Для достижения вышеуказанной цели необходимо решить следующую систему уравнений:

, .

Совместно с условиями нормирования ид данная система дифференциальных уравнений имеет следующее решение:

(взвешенный центр гравитации) и

Алгоритм нечеткой кластеризации выполняется по шагам.

Шаг 1. Инициализация.

Выбираются следующие параметры:

необходимое количество кластеров N, ;

мера расстояний, как Евклидово расстояние;

фиксированный параметр q (обычно ~ 1,5);

начальная (на нулевой итерации) матрица принадлежности объектов xk с учетом заданных начальных центров кластеров .

Шаг 2. Регулирование позиций центров кластеров.

На t-м итерационном шаге при известной матрице вычисляется в соответствии с вышеприведенным решением системы дифференциальных уравнений.

Шаг 3. Корректировка значений принадлежности .

Учитывая известные , вычисляются , если , в противном случае:

Шаг 4. Остановка алгоритма.

Алгоритм нечеткой кластеризации останавливается при выполнении следующего условия:

где – матричная норма (например, Евклидова норма);

– заранее задаваемый уровень точности.

Литература:

1. Ильина Н.В. Системный анализ и моделирование процессов в техносфере: Учеб. пособие / Н.В. Ильина, Д.Д. Лапшин, В.И. Федянин. – Ч. 1. Воронеж: ГОУВПО «Воронежский государственный технический университет, 2008. – 206 с.

Лекция 14. Когнитивное моделирование

14.1 Понятие когнитивного моделирования

При принятии решений в неструктурированных ситуациях у субъекта (ЛПР или эксперта) возникает модель проблемной области, на основе которой он пытается объяснить происходящие в реальности процессы. При этом объективные закономерности реального мира представляются субъективными экспертными оценками. В результате образ наблюдаемой ситуации отражает не только законы и закономерности ситуации, но и мировоззрение субъекта, его систему убеждений, ценностей, уровень образования, опыт и т.д. [Checkland, 1981].

В этих условиях принятие решений ‒ это искусство, включающее рациональные (логические) и интуитивные начала. В синтезе рационального и интуитивного возникает способность ЛПР принимать своевременные и адекватные решения.

Когнитивный подход к поддержке принятия решений ориентирован на то, чтобы активизировать интеллектуальные процессы субъекта и помочь ему зафиксировать свое представление проблемной ситуации в виде формальной модели. В качестве такой модели обычно используется так называемая когнитивная карта ситуации, которая представляет известные субъекту основные законы и закономерности наблюдаемой ситуации в виде ориентированного знакового графа, в котором вершины графа – это факторы (признаки, характеристики ситуации), а дуги между факторами – причинно-следственные связи между факторами [Робертс, 1986].

В когнитивной модели выделяют два типа причинно-следственных связей: положительные и отрицательные. При положительной связи увеличение значения фактора-причины приводит к увеличению значения фактора-следствия, а при отрицательной связи увеличение значения фактора-причины приводит к уменьшению значения фактора-следствия. Пример когнитивной карты некоторой экономической ситуации приведен на рис.1.

Рис.1. Пример когнитивной карты

Причинно-следственный граф представляет собой упрощенную субъективную модель функциональной организации наблюдаемой системы и является «сырым» материалом для дальнейших исследований и преобразований – когнитивного моделирования.

Цель когнитивного моделирования заключается в генерации и проверке гипотез о функциональной структуре наблюдаемой ситуации до получения функциональной структуры, способной объяснить поведение наблюдаемой ситуации.

Основные требования к компьютерным системам когнитивного моделирования – это открытость к любым возможным изменениям множества факторов ситуации, причинно-следственных связей, получение и объяснение качественных прогнозов развития ситуации (решение прямой задачи «Что будет, если …»), получение советов и рекомендаций по управлению ситуацией (решение обратной задачи «Что нужно, чтобы …»).

Узким местом существующих систем когнитивного моделирования ситуаций [Максимов, 1999; Кулинич, 1998; Силов, 1995] является несогласованность их пользовательского интерфейса и алгоритмов обработки с психологическими особенностями субъективного измерения значений и силы взаимовлияния факторов наблюдаемой ситуации. Эта несогласованность приводит к ошибкам и заблуждениям эксперта при определении силы взаимовлияния факторов, которые включаются в когнитивную модель ситуации. Разработка стратегии поведения субъекта на основе когнитивной модели с заблуждениями, естественно, приводит к стратегиям-заблуждениям.

В предлагаемой компьютерной системе концептуального моделирования неструктурированных ситуаций «Канва» влияние заблуждений эксперта ослабляется с помощью специальных программных модулей и подсистем, учитывающих особенности организации человеческой системы измерения, оценки и переработки субъективной информации.

Подсистемы системы концептуального моделирования «Канва» обеспечивают поддержку представления субъективной информации, извлечения предпочтений эксперта, обработку, представление результатов моделирования и поддержку аналитической деятельности эксперта.

Описание функционального назначения всех подсистем системы концептуального моделирования и их взаимодействие в процессе когнитивного анализа и моделирования плохо определенной ситуации приводится ниже.