Univerzitet u Novom Sadu Tehniki fakultet Mihajlo Pupin Zrenjanin

SEMINARSKI RAD Fazzy c-mean klastering

Ime, prezime, smer, i indeks studenata: Dejan Milivojevi, dipl. In. Info., 15/05-11 Mihael Mandi, indust. In., 59/10-03 Zrenjanin, 2012

Profesor: Dr. Vladimir Brtka

Sadraj Uvod---------------------------------------------------------------------------------------------------2 Fazzy c-mean klastering -------------------------------------------------------------------------- 3 Zakljuak----------------------------------------------------------------------------------------------7 Literatura -------------------------------------------------------------------------------------------- 8

UVOD Svedoci smo naglog porasta upotrebe fazi logike u veoma raznovrsnim komercijalnim aplikacijama i industrijskim sistemima. Neki primeri kao to su ve maine, klima ureaji, usisivai, navigacioni ureaji, kao i mnogi drugi, dovoljan su dokaz velike rasprostranjenosti i primenjivosti ove tehnike. Fazi tehnologija je nala i primenu u informacionim tehnologijama i ekspertskim sistemima, gde se koristi kao podrka pri odluivanju. Fuzzy skupove definisao je 1965-te godine Lotfi Zadeh kao matematiki formalizovan nain predstave i modeliranja neodreenosti u lingvistici. U teoriji klasinih skupova, neki odreeni element ili pripada ili ne pripada nekom definisanom skupu. Drugim reima, pripadnost elementa skupu je krajnje odreena i definisana. Fazi skup je, u tom smislu, generalizacija klasinog skupa, bududi da se pripadnost (tj. stepen pripadnosti) elementa fazi skupu moe okarakterisati brojem iz intervala *0,1+. Drugim reima, funkcija pripadnosti fazi skupa preslikava svaki element univerzalnog skupa u pomenuti interval realnih brojeva. Jedna od najvedih razlika izmeu klasinih i fazi skupova jeste u tome to klasini skupovi uvek imaju jedinstvenu funkciju pripadnosti, dok se za fazi skup moe definisati beskonano mnogo razliitih funkcija pripadnosti kojima se on moe opisati (sam izraz fazi (fuzzy) predstavlja neto nejasno, zamagljeno, lepravo).

Fazzy c-mean klastering Klaster analiza predstavlja nain dodeljivanja seta objekata u grupe (klastere) tako da su objekti u klasteru slini (na ovaj ili onaj nain) jedni sa drugim a razliiti od objekata u drugim klasterima. Klaster analiza je glavni vid eksploatacije data mining tehnologije, i uobiajena tehnika za statistiku analizu podataka koritena u mnogim oblastima kao to su mainsko uenje, prepoznavanje obrazaca, analiza slika, pronalaenje informacija i bioinformatika. Klaster analiza, sama po sebi, ne predstavlja jedan specifian algoritam, vec opti zadatak koji treba reiti. To se podstie primenom razliitih algoritama koji se znaajno razlikuju u predstavljanju same izgradnje i efikasnijem pronalaenju klastera. Fuzzy c-means je tehnika grupisanja podataka gde svaki deo podatka pripada klasteru do nekog nivoa koji je specifino odreen sa tim da se sami delovi podatka mogu grupisati u jedan ili vise nivoa i gde se nivoi meusobno razlikuju. Bazira se na minimizaciji objektne funkcije: ,

gde je m bilo koji realni broj vedi od jedan, uij stepen pripadnosti xi klasteru j, xi i-ti deo od d-dimenzionog merenog podatka, cj je d-dimenzioni centar klastera, ||*|| predstavlja kriterijum slinosti izmeu merenog podatka i centra. Fazzy deljenje se izvodi kroz iterativnu optimizaciju objektne funkcije koja je prikazana iznad uz dodatno auriranje lana uij i klasterski centara cj na slededi nain:

( ,

( ) ( ) Iteracija de prestati sve dok je {| , gde je krajni |} kriterijun izmeu nule i jedinice, sa obzirom gde k predstavlja iteracione korake. Ova funkcija kovengira ka lokalnom minimumu ili ka prevojnoj taki Jm. Algoritam je sastavljen od slededih koraka:

1. Inicijalizacija [ ] matrice, U(0) 2. Na k-tom koraku: raunanje centarskih vektora C(k)=[cj] sa U(k) 3. Auriranje U(k) , U(k+1) )

4. Kada bude || U(k+1) - U(k)||< onda prekid, a ako je suprotno, onda se vrada na korak 2. Kao to je ved reeno, podaci se grupiu u klastere koristedi funkciju pripadnosti, koja predstavlja fazzy ponaanje algoritma. Da bi se to uradilo, treba izgraditi prikladnu matricu (moemo je nazvati U) ciji elementi imaju vrednost imeu nule i jedinice i predstavljaju stepen pripadnosti izmeu podataka i centara klastera. Radi boljeg razumevanja metoda grupisanja i same Fuzzy c-means metode, moemo uzeti prost mono-dimenzion skup. Imamo ponuen odreeni skup podataka nasumino rasporeenog po x osi. To se moe videti na slici ispod:

Gledajudi sliku moemo videti dva klastera u neposrednoj blizini dve concentracije podataka. Oznaidemo ih kao A i B. Koristedi prvu metodu grupisanja mi
4

dodeljujemo svaki podatak odreenom centru, i na osnovu toga imamo slededi izgled funkcije pripadnosti:

Kod fazzy c-mean metode isti dati podaci ne pripadaju iskljuivo odreenom definisanom klusteru, ved se grupisu na sredinu puta. U ovom sluaju funkcija pripadnosti ima zaobljeniju liniju koja ukazuje da svaki podatak moe pripadati vie klustera sa razliitim vrednostima koeficijenta pripadnosti. Izgled funkcije moe se videti na slici:

Na slici gore, moe se videti da podatak obojen crvenom bojom vie pripada B klasteru nego A klasteru. Vrednost 0.2 predstavlja stepen pripadnosti tog podatka klasteru A. Sada, umesto grafikog predstavljanja, uvodi se matrica U iji su elementi uzeti iz funkcije pripadnosti i to se moe videti na slici ispod:

[
(a)

]
(b)

Broj redova I kolona zavisi de od broja podataka i klastera koje uzimamo u razmatranje. U ovom sluaju imamo da nam je C=2 (broj kolona i broj klastera) i N redova, gde nam C predstavlja ukupan broj klastera a N ukupan broj podataka. Opsti element je naznaen sa uij. Druga svojstva su prikazana formulama ispod: [ Fazzy c-mean tehnika je bila veoma znaajan instrument za obradu slike u klasternim objektima u samoj slici. Sedamdesetih godina, matematiari uvode prostorni u FCM algoritam radi poboljavanja preciznosti klasteringa pod bukom. ]

Zakljuak Na osnovu ovoga vidimo da fuzzy logika predstavlja glavnu i osnovnu tehniku dananjice bez koje bi teko moglo da se zamisli funkionisanje mnogih ureaja koji se koriste kako i u naune svrhe, tako i u svekodnevnom zivotu, a samim time i normalan ivot oveanstva.

Literatura http://en.wikipedia.org/wiki/Fuzzy_clustering http://en.wikipedia.org/wiki/Cluster_analysis#Centroid-based_clustering - Fazzy c-mean klastering - Klaster analiza http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/cmeans.html - Fazzy c-mean klastering - Fuzzy c-means www.scribd.com J. C. Bezdek: Pattern Recognition with Fuzzy Objective Function Algoritms, Plenum Press, New York, 1981 - Uvod