Phân cụm mờ trọng số địa lý

- Phân cụm mờ trọng số địa lý.
- Phân cụm mờ.
- Dữ liệu địa lý.
- Một trong những hướng được quan tâm hiện nay trong tính toán mềm là ứng dụng các phương pháp này vào các bài toán thực tế có tham chiếu không gian và các phương pháp như vậy được gọi là lớp các phương pháp tính toán mềm ảnh hưởng bởi đặc trưng địa lý trong các mô hình tương tác không gian..
- Trong lớp các phương pháp tính toán mềm ảnh hưởng bởi đặc trưng địa lý trong các mô hình tương tác không gian, phương pháp phân cụm mờ trọng số địa lý là một phương pháp đã được ứng dụng cho nhiều bài toán quan trọng của kinh tế - xã hội.
- Phương pháp này ra đời bắt nguồn từ nhu cầu của bài toán phân cụm dữ liệu địa lý, được định nghĩa theo Sleight .
- Kết quả của phân cụm dữ liệu địa lý thường được thể hiện dưới dạng bản đồ phân bố của các đặc trưng..
- Cho đến nay, thuật toán phân cụm mờ trọng số địa lý tốt nhất cho bài toán này là thuật toán MIPFGWC [10].
- Thuật toán này được xây dựng dựa trên các lý thuyết về tập mờ trực cảm, phân cụm mờ xác suất và mô hình SIM 2 và đã được kiểm chứng về chất lượng phân cụm khi so sánh với một số thuật toán khác như NE [24], FGWC [12] và IPFGWC [8].
- Mục tiêu và động cơ nghiên cứu của luận văn là cải tiến thuật toán MIPFGWC sử dụng ý tưởng về lý thuyết hàm nhân [23] nhằm nâng cao chất lượng phân cụm của thuật toán.
- Thuật toán thu được sẽ được kiểm chứng so sánh đánh giá với MIPFGWC và một số thuật toán khác về chất lượng phân cụm..
- Chương 1: Trình bày các kiến thức cơ bản về bài toán phân cụm dữ liệu địa lý, bao gồm các định nghĩa, độ đo và ứng dụng của nó trong các lĩnh vực ý tế, an ninh, xã hội, .v.v.
- đồng thời trình bày sơ lược về các thuật toán phân cụm mờ trọng số địa lý FCM, NE, FGWC, CFGWC, CFGWC2, IPFGWC, MIPFGWC cùng các ưu nhược điểm của chúng, từ đó đề xuất thuật toán KMIPFGWC..
- Chương 2: Trình bày thuật toán phân cụm mờ trọng số địa lý KMIPFGWC, với hàm mục tiêu sử dụng độ đo khoảng cách là hàm nhân Gaussian thay vì sử dụng hàm Euclidean truyền thống và sử dụng mô hình SIM 2 để nâng cao chất lượng phân cụm cho bài toán..
- Chương 3: Trình bày một số kết quả thực nghiệm thuật toán KMIPFGWC trên bộ dữ liệu thực tế là bộ dữ liệu địa lý về kinh tế - xã hội từ tổ chức Liên Hợp Quốc – UNO và so sánh nó với các thuật toán MIPFGWC, FGWC để đánh giá hiệu quả của thuật toán đề xuất..
- FCM: the fuzzy c-means clustering algorithm", Computers and Geosciences, 10, pp.191-203..
- Francis, London, pp.119- 127..
- Conditional fuzzy C-mean", Pattern Recognition Letter, 17, pp.625- 632.