Temat: fuzzy c-means - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Badanie sieci społecznych z wykorzystaniem algorytmu grupowania rozmytego
Social Networks Analysis using Fuzzy Clustering Algorithm
Autorzy:: Sosnowski, Z. A.
Rembowicz, K.
Powiązania:: https://bibliotekanauki.pl/articles/404039.pdf
Data publikacji:: 2012
Wydawca:: Polskie Towarzystwo Symulacji Komputerowej
Tematy:: sieci społeczne
grupowanie rozmyte
social networks
fuzzy c-means
Opis:: W pracy przedstawiono propozycje, uzyskane wyniki oraz wypływające z nich wnioski dotyczące zastosowania teorii zbiorów rozmytych do analizy sieci społecznych. Wyniki symulacji pokazują, że proponowane podejście wykorzystujące własności zbiorów rozmytych sprawdza się bardzo dobrze w analizie spójnych sieci społecznych z niedużą liczbą klastrów.
The paper presents proposals, the obtained results and the resulting conclusions concerning the use of fuzzy set theory to the analysis of social networks. The simulation results show that the proposed approach using fuzzy property works very well in the analysis of social networks consistent with a small number of clusters.
Źródło:: Symulacja w Badaniach i Rozwoju; 2012, 3, 3; 169-174
2081-6154
Pojawia się w:: Symulacja w Badaniach i Rozwoju
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: An ε-Insensitive Approach to Fuzzy Clustering
Autorzy:: Łęski, J.
Powiązania:: https://bibliotekanauki.pl/articles/908067.pdf
Data publikacji:: 2001
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: programowanie
metoda grupowania
fuzzy clustering
fuzzy c-means
robust methods
varepsilon-insensitivity
fuzzy c-medians
Opis:: Fuzzy clustering can be helpful in finding natural vague boundaries in data. The fuzzy c-means method is one of the most popular clustering methods based on minimization of a criterion function. However, one of the greatest disadvantages of this method is its sensitivity to the presence of noise and outliers in the data. The present paper introduces a new varepsilon-insensitive Fuzzy C-Means (varepsilonFCM) clustering algorithm. As a special case, this algorithm includes the well-known Fuzzy C-Medians method (FCMED). The performance of the new clustering algorithm is experimentally compared with the Fuzzy C-Means (FCM) method using synthetic data with outliers and heavy-tailed, overlapped groups of the data.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2001, 11, 4; 993-1007
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Node Localization based on Anchor Placement using Fuzzy C-Means in a Wireless Sensor Network
Autorzy:: Irid, Sidi Mohammed Hadj
Hadjila, Mourad
Hachemi, Mohammed Hicham
Souiki, Sihem
Mosteghanemi, Reda
Mostefai, Chaima
Powiązania:: https://bibliotekanauki.pl/articles/2200723.pdf
Data publikacji:: 2023
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:: WSN
localization algorithm
anchors
GM-SDP-2
WLS
CRLB
Fuzzy C-Means
RMSE
CDF
Opis:: Localization is one of the oldest mathematical and technical problems that have been at the forefront of research and development for decades. In a wireless sensor network (WSN), nodes are not able to recognize their position. To solve this problem, studies have been done on algorithms to achieve accurate estimation of nodes in WSNs. In this paper, we present an improvement of a localization algorithm namely Gaussian mixture semi-definite programming (GM-SDP-2). GMSDP is based on the received signal strength (RSS) to achieve a maximum likelihood location estimator. The improvement lies in the placement of anchors through the Fuzzy C-Means clustering method where the cluster centers represent the anchors’ positions. The simulation of the algorithm is done in Matlab and is based on two evaluation metrics, namely normalized root-mean-squared error (RMSE) and cumulative distribution function (CDF). Simulation results show that our improved algorithm achieves better performance compared to those using a predetermined placement of anchors.
Źródło:: International Journal of Electronics and Telecommunications; 2023, 69, 1; 99--104
2300-1933
Pojawia się w:: International Journal of Electronics and Telecommunications
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: FCM clustering using GPS data for defining level of service criteria of urban streets in indian context
Autorzy:: Bhuyan, P.
Rao, K.
Powiązania:: https://bibliotekanauki.pl/articles/374863.pdf
Data publikacji:: 2010
Wydawca:: Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
Tematy:: klaster
GPS
nawigacja
natężenie ruchu
algorytm Fuzzy C-Means
cluster
Global Positioning System
traffic
Opis:: At present speed ranges for Levels of Service (LOS) categories are not well defined for highly heterogeneous traffic flow on urban streets in Indian context. In this regard a study was carried out in the city of Mumbai in India. The objective of this research work is to define free-flow speed ranges of urban street classes and speed ranges of LOS categories. In this regard speed data were collected using GPS palmtop and Fuzzy C-Means (FCM) clustering is used to define the speed ranges. It is found from this study that speed-ranges for LOS categories in Indian context are lower than that mentioned in Highway Capacity Manual.
Źródło:: Transport Problems; 2010, 5, 4; 105-113
1896-0596
2300-861X
Pojawia się w:: Transport Problems
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: Technique Based on Fuzzy Logic for Cotton Bale Lay-down Management
Nowa technika zarządzania składowaniem bel bawełny
Autorzy:: Das, S.
Ghosh, A.
Powiązania:: https://bibliotekanauki.pl/articles/232810.pdf
Data publikacji:: 2017
Wydawca:: Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:: cotton bale
cluster analysis
fibre property
fuzzy logic
fuzzy c-means algorithm
składowanie bawełny
logika rozmyta
bela bawełny
Opis:: In this paper a new technique has been proposed for cotton bale management using fuzzy logic. The fuzzy c-means clustering algorithm has been applied for clustering cotton bales into 5 categories from 1200 randomly chosen bales of the J-34 variety. In order to cluster bales of different categories, eight fibre properties, viz., the strength, elongation, upper half mean length, length uniformity, short fibre content, micronaire, reflectance and yellowness of each bale have been considered. The fuzzy c-means clustering method is able to handle the haziness that may be present in the boundaries between adjacent classes of cotton bales as compared to the K-means clustering method. This method may be used as a convenient tool for the consistent picking of different bale mixes from any number of bales in a warehouse.
W artykule zaproponowano nową technikę zarządzania składowaniem bawełny opartą na logice rozmytej. Badaniu poddano 1200 losowo wybranych bel bawełny. W celu pogrupowania bel w 5 kategoriach zbadano właściwości, tj. wytrzymałość, wydłużenie, średnią długość, jednorodność długości, zawartość włókien krótkich, dojrzałość, współczynnik odbicia i zażółcenie każdej beli. Opracowana metoda może być stosowana jako wygodne narzędzie do sortowania różnych mieszanek z dowolnej liczby bel w magazynie.
Źródło:: Fibres & Textiles in Eastern Europe; 2017, 2 (122); 30-33
1230-3666
2300-7354
Pojawia się w:: Fibres & Textiles in Eastern Europe
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 6.

Tytuł:: An automatic segmentation method for scanned images of wheat root systems with dark discolourations
Autorzy:: Gocławski, J.
Sekulska-Nalewajko, J.
Gajewska, E.
Wielanek, M.
Powiązania:: https://bibliotekanauki.pl/articles/930018.pdf
Data publikacji:: 2009
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: system korzeniowy
segmentacja
szkielet
klasteryzacja
root system image
segmentation
skeleton
root discolourations
fuzzy c-means clustering
Opis:: The analysis of plant root system images plays an important role in the diagnosis of plant health state, the detection of possible diseases and growth distortions. This paper describes an initial stage of automatic analysis-the segmentation method for scanned images of Ni-treated wheat roots from hydroponic culture. The main roots of a wheat fibrous system are placed separately in the scanner view area on a high chroma background (blue or red). The first stage of the method includes the transformation of a scanned RGB image into the HCI (Hue-Chroma-Intensity) colour space and then local thresholding of the chroma component to extract a binary root image. Possible chromatic discolourations, different from background colour, are added to the roots from blue or red chroma subcomponent images after thresholding. At the second stage, dark discolourations are extracted by local fuzzy c-means clustering of an HCI intensity image within the binary root mask. Fuzzy clustering is applied in local windows around the series of sample points on roots medial axes (skeleton). The performance of the proposed method is compared with hand-labelled segmentation for a series of several root systems.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2009, 19, 4; 679-689
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: Fast FCM with spatial neighborhood information for brain MR image segmentation
Autorzy:: Biniaz, A.
Abbasi, A.
Powiązania:: https://bibliotekanauki.pl/articles/91616.pdf
Data publikacji:: 2013
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:: Fuzzy c-Means clustering
FCM
Fast FCM
FFCM
spatial Fast FCM
sFFCM
MR image
noise interference
Opis:: Among different segmentation approaches Fuzzy c-Means clustering (FCM) is a welldeveloped algorithm for medical image segmentation. In emergency medical applications quick convergence of FCM is necessary. On the other hand spatial information is seldom exploited in standard FCM; therefore nuisance factors can simply affect it and cause misclassification. This paper aims to introduce a Fast FCM (FFCM) technique by incorporation of spatial neighborhood information which is exploited by a linear function on fuzzy membership. Applying proposed spatial Fast FCM (sFFCM), elapsed time is decreased and neighborhood spatial information is exploited in FFCM. Moreover, iteration numbers by proposed FFCM/sFFCM techniques are decreased efficiently. The FCM/FFCM techniques are examined on both simulated and real MR images. Furthermore, to considerably decrease of convergence time and iterations number, cluster centroids are initialized by an algorithm. Accuracy of the new approach is same as standard FCM. The quantitative assessments of presented FCM/FFCM techniques are evaluated by conventional validity functions. Experimental results demonstrate that sFFCM techniques efficiently handle noise interference and significantly decrease elapsed time.
Źródło:: Journal of Artificial Intelligence and Soft Computing Research; 2013, 3, 1; 15-25
2083-2567
2449-6499
Pojawia się w:: Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: Fabric Defect Detection Using a Hybrid and Complementary Fractal Feature Vector and FCM-based Novelty Detector
Wykrywanie defektów tkanin za pomocą hybrydowego wektora funkcji fraktalnej i nowatorskiego detektora opartego na zbiorze rozmytym wartości średnich (FCM)
Autorzy:: Zhou, J.
Wang, J.
Bu, H.
Powiązania:: https://bibliotekanauki.pl/articles/232397.pdf
Data publikacji:: 2017
Wydawca:: Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:: defect detection
box-counting dimension
fuzzy c-means
novelty detection
wykrywanie defektów
wektor hybrydowy
zbiór rozmyty wartości średnich
Opis:: Automated detect detection in woven fabrics for quality control is still a challenging novelty detection problem. This work presents five novel fractal features based on the box-counting dimension to address the novelty detection of fabric defect. Making use of the formation of woven fabric, the fractal features are extracted in a one-dimension series obtained by projecting a fabric image along the warp and weft directions, where their complementarity in discriminating defects is taken into account. Furthermore a new novelty detector based on fuzzy c-means (FCM) is devised to deal with one-class classification of the features extracted. Finally, by jointly applying the features proposed and the FCM based novelty detector, we evaluate the method proposed for eight datasets with different defects and textures, where satisfying results are achieved with a low overall missing detection rate.
Automatyczne wykrywanie defektów tkanin w celu kontroli ich jakości mimo wielu dotychczasowych badań nadal stanowi wyzwanie. Mając na celu opracowanie nowatorskiej metody wykrywaniem wad tkanin przedstawiono pięć cech fraktalnych. W celu klasyfikacji wyodrębnionych cech opracowano detektor wad tkanin oparty na zbiorze rozmytym wartości średnich (FCM). Poprzez wspólne zastosowanie proponowanych cech i opartego na FCM detektorze sprawdzono proponowaną metodę dla ośmiu zestawów danych z różnymi defektami i teksturami. Stwierdzono, że otrzymane wyniki są na satysfakcjonującym poziomie.
Źródło:: Fibres & Textiles in Eastern Europe; 2017, 6 (126); 46-52
1230-3666
2300-7354
Pojawia się w:: Fibres & Textiles in Eastern Europe
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

Tytuł:: Fuzzy classification of European regions in the evaluation of smart growth
Ocena inteligentnego rozwoju regionów europejskich z zastosowaniem klasyfikacji rozmytej
Autorzy:: Markowska, Małgorzata
Jefmański, Bartłomiej
Powiązania:: https://bibliotekanauki.pl/articles/422986.pdf
Data publikacji:: 2012
Wydawca:: Główny Urząd Statystyczny
Tematy:: fuzzy region classification
fuzzy c-means
Europe 2020
smart growth of regions
rozmyta klasyfikacja regionów
rozmyta metoda c-średnich
Europa 2020
rozwój inteligentny regionów
Opis:: “Europe 2020 Strategy” presents the vision of European economy development, in which smart development, i.e. development based on knowledge and innovation, constitutes one of major priorities. Smart specialization which refers to enterprises, research centres and high schools cooperating in defining the most promising areas of specialization in a given region, represents one of crucial smart development components. Smart specialization refers to both, the concept and the tool, allowing regions and countries to assess their unique position in knowledge-based economy. This knowledge should not be underestimated at the stage of preparing regional and interregional policy assumptions and specifying directions for the distribution of financial means allocated to further development of regions, constructing their advantage in regional space and position in knowledge based economy. Therefore, the essential objective of the hereby study is to distinguish classes of regions in European space with regard to one complex phenomenon, i.e. smart specialization. For this reason both classical and fuzzy classification methods were applied. Such approach facilitated e.g. specifying these regions for which it is difficult to provide clear division regarding their membership in distinguished classes. They are the regions which “keep searching” for their optimum path of smart development and which should be offered particular attention from entities managing development at regional, national and overall EU level.
„Strategia Europa 2020” stanowi wizję rozwoju gospodarki europejskiej, dla której jednym z priorytetów jest rozwój inteligentny czyli oparty na wiedzy i innowacjach. Istotnym elementem inteligentnego rozwoju jest inteligentna specjalizacja obejmująca przedsiębiorstwa, ośrodki badawcze oraz szkoły wyższe, które współpracują na rzecz określenia najbardziej obiecujących obszarów specjalizacji w danym regionie. Stanowi ona zarówno koncepcję jak i narzędzie pozwalające regionom i krajom ocenić ich unikalną pozycję w gospodarce opartej na wiedzy. Trudno przecenić tą wiedzę na etapie formułowania założeń polityk regionalnych i interregionalnych oraz ustalania kierunków dystrybucji środków finansowych przeznaczonych na dalszy rozwój regionów budujących swoją przewagę w przestrzeni regionalnej oraz pozycję w gospodarce opartej na wiedzy. Dlatego zasadniczym celem niniejszego opracowania było wyodrębnienie klas regionów w przestrzeni europejskiej ze względu na zjawisko złożone jakim jest inteligentna specjalizacja. W tym celu zastosowano klasyczne i rozmyte metody klasyfikacji. Podejście takie umożliwiło m.in. wskazanie tych regionów, dla których nie można jednoznacznie określić przynależności do wyodrębnionych klas. Są to regiony „poszukujące” optymalnej ścieżki inteligentnego rozwoju, które winne zostać otoczone szczególną uwagą przez podmioty zarządzające rozwojem zarówno na szczeblu regionalnym, krajowym jak i całej wspólnoty europejskiej.
Źródło:: Przegląd Statystyczny; 2012, 59, 1; 74-93
0033-2372
Pojawia się w:: Przegląd Statystyczny
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "fuzzy c-means" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język