Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

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

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    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
    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
    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
    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
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies