Pelēkā klasterizācija: balināšanas metodes klasifikācija nenoteiktības apstākļos
Pelēkā klasterizācija ir klasifikācijas metode no pelēko sistēmu teorijas, kas piešķir objektus iepriekš noteiktām pelēkajām klasēm, izmantojot balināšanas svara funkcijas. Izstrādāta Deng Julong pelēko sistēmu teorijas ietvaros un sistematizēta Sifeng Liu, tā ir īpaši piemērota situācijām ar maziem datu kopumiem, nepilnīgu informāciju vai nenoteiktiem datiem — apstākļiem, kas bieži sastopami inženierzinātnēs, vides uzraudzībā un sociālekonomiskajā novērtēšanā. Metode kvantificē, cik spēcīgi katrs objekts pieder katrai pelēkajai klasei, un veic skaidru piešķiršanu, pamatojoties uz maksimālajiem klasterizācijas koeficientiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Liu, S., & Lin, Y. (2010). Grey Systems: Theory and Applications. Springer. ISBN: 978-3-642-13937-6
Kā citēt šo lapu
ScholarGate. (2026, June 2). Grey Clustering (Grey Incidence / Whitenization). ScholarGate. https://scholargate.app/lv/soft-computing/grey-clustering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Fuzzy C-Means Clustering (FCM)Mašīnmācīšanās↔ compare
- GM(1,1) pelēkās prognozēšanas modelisMīkstā skaitļošana↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →