Объект исследования: нечеткая кластеризация данных на основе функции плотности. Предмет исследования: алгоритмы, подходы и методы кластеризации данных на основе функции плотности, различные колоколообразные функции. Целью работы является изучение существующих методов кластерного анализа данных, разработка модифицированного алгоритма кластеризации на основе функции плотности с применением различных функций принадлежности, разработка программного обеспечения, реализующего модифицированный подход и анализ полученных результатов. Методологическая основа магистерской аттестационной работы состояла в применении методов анализа, классификации, обобщения и описания исследованных методов нечеткой кластеризации, а также в постановке эксперимента на основе разработанных модификаций и сравнительный анализ результатов. В ходе выполнения магистерской аттестационной работы разработана модификация алгоритма кластерного анализа на основе функции плотности с применением различных функций принадлежностей: функции Бездека и Гаусса. Полученные результаты были детально проанализированы, проведено тестирование модифицированного алгоритма с разными значениями параметров кластеризации. Предложенные модифицированные алгоритмы могут быть успешно применены в областях анализа многомерных данных, данных с произвольной формой кластеров, которую тяжело формализовать, а также для проведения сегментации изображений. НЕЧЕТКАЯ КЛАСТЕРИЗАЦИЯ, КЛАСТЕРИЗАЦИЯ НА ОСНОВЕ ФУНКЦИИ ПЛОТНОСТИ, DBSCAN, КЛАСТЕРНЫЙ АНАЛИЗ, КОЛОКОЛООБРАЗНАЯ ФУНКЦИЯ, ФУНКЦИЯ ПРИНАДЛЕЖНОСТИ, АНАЛИЗ ДАННЫХ, ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ Об'єкт дослідження: нечітка кластеризація даних на основі функцій щільності. Предмет дослідження: алгоритми, підходи та методи кластеризації даних на основі функції щільности, різноманітні колоколообразні функції. Метою роботи є вивчення існуючих методів кластерного аналізу даних, розробка модифікованого алгоритму кластеризації на основі функції щільности з застосуванням різноманітних функцій приналежності, розробка програмного засобу, який реалізує модифікований підхід та аналіз отриманих результатів. Методологічна основа магістерської атестаційної роботи полягала в застосуванні методів аналізу, класифікації, узагальнення та опису вивчених методів нечіткої кластеризації, а також в постановці експерименту на основі розроблених модифікацій та порівняльний аналіз результатів. В ході виконання магістерської атестаційної роботи розроблена модифікація алгоритму кластерного аналізу на основі функції щільності з застосуванням різних функцій приналежності: функції Бездека та Гауса. Отримані результати були детально проаналізовані, проведено тестування модифікованого алгоритму з різними значеннями параметрів кластеризації. Запропоновані модифіковані алгоритми можуть бути успішно використані в областях аналізу багатовимірних даних, даних з довільною формою кластерів, яку важно формалізувати, а також для виконання сегментації зображень. НЕЧІТКА КЛАСТЕРИЗАЦІЯ, КЛАСТЕРИЗАЦІЯ НА ОСНОВІ ФУНКЦІХ ЩІЛЬНОСТІ, DBSCAN, КЛАСТЕРНИЙ АНАЛІЗ, КОЛОКОЛООБРАЗНА ФУНКЦІЯ, ФУНКЦІЯ ПРИНАЛЕЖНОСТИ, АНАЛІЗ ДАНИХ, НАВЧАННЯ БЕЗ ВЧИТЕЛЯ The object of research: density-based fuzzy clustering. Subject of research: algorithms, approaches and methods of clustering using density function, different bell-shaped membership functions. The objective of research is to study existent methods of clustering, develop modified density-based fuzzy clustering algorithm with different membership functions, development of software that implements modified approaches and analysis of obtained results. The methodological basis of Master Thesis was to use methods of analysis, classification, synthesis and description of studied methods of fuzzy clustering as well as to make the experiment on the basis of modifications and comparative analysis of results. In the course of Master Thesis modified clustering density-based algorithm with different membership functions was realized: using Bezdek's function and Gaussian function. Obtained results were deeply analysed, realized testing of modified algorithm with different clustering parameters' values. Proposed modified algorithms can be successfully used in field of analysis of high-dimensions data, data with arbitrary clusters' shapes those are difficult to formalize, for segmentation of images. FUZZY CLUSTERING, DENSITY-BASED CLUSTERING, DBSCAN, CLUSTER ANALYSIS, BELL-SHAPED FUNCTION, MEMBERSHIP FUNCTION, DATA MINING, UNSUPERVISED LEARNING
