Объект исследования: нечёткая кластеризация данных, представленных в многомерном пространстве. Предмет исследования: алгоритмы, подходы и методы кластеризации данных высокой размерности. Целью работы является разработка пакетных и адаптивных матричных алгоритмов кластеризации, которые расширяют метод нечётких c?средних, а также разработка программного обеспечения, реализующего предложенные модифицированные алгоритмы. Методологическая основа магистерской аттестационной работы состояла в применении методов анализа, классификации, обобщения и описания исследованных методов нечёткой кластеризации, а также в постановке эксперимента на основе разработанных модификаций алгоритма нечётких c-средних. В ходе выполнения магистерской аттестационной работы разработаны матричные модификации алгоритма нечётких c-средних и программное обеспечение реализующее их. Введенные методы позволяют работать непосредственно с матричными данными, избегая громоздких операций векторизации-девекторизации, улучшая время кластеризации при одинаковом качестве с модифицируемым алгоритмом. Предложенные методы применимы для исследования и обработки электромагнитных, тепловых и оптических полей измерений, областей загрязнения воздушного бассейна, медицинских наблюдений, цифровых изображений и видеорядов. НЕЧЁТКАЯ КЛАСТЕРИЗАЦИЯ, ВОЗМОЖНОСТНАЯ КЛАСТЕРИЗАЦИЯ, АЛГОРИТМ C-СРЕДНИХ, КЛАСТЕРНЫЙ АНАЛИЗ, МАТРИЧНЫЙ МЕТОД, АДАПТИВНАЯ КЛАСТЕРИЗАЦИЯ, JAVA, АНАЛИЗ ДАННЫХ, ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ, МАТРИЦА Об’єкт дослідження: нечітка кластеризація даних, представлених у багатовимірному просторі. Предмет дослідження: алгоритми, підходи та методи кластеризації даних високої розмірності. Метою роботи є розробка пакетних та адаптивних матричних алгоритмів кластеризації, які розширюють метод нечітких c?середніх, а також розробка програмного забезпечення, що реалізує запропоновані модифіковані алгоритми. Методологічна основа магістерської атестаційної роботи полягала в застосуванні методів аналізу, класифікації, узагальнення та опис досліджених методів нечіткої кластеризації, а також у постановці експерименту на основі розроблених модифікацій алгоритму нечітких c-середніх. У ході виконання магістерської атестаційної роботи розроблені матричні модифікації алгоритму нечітких c-середніх і програмне забезпечення, що реалізує їх. Введені методи дозволяють працювати безпосередньо з матричними даними, уникаючи громіздких операцій векторизації-девекторизації, покращуючи час кластеризації при однаковій якості з алгоритмом, що модифікується. Запропоновані методи застосовні для дослідження та обробки електромагнітних, теплових і оптичних полів вимірювань, областей забруднення повітряного басейну, медичних спостережень, цифрових зображень та відеорядів. НЕЧІТКА КЛАСТЕРИЗАЦІЯ, МОЖЛИВІСНА КЛАСТЕРИЗАЦІЯ, АЛГОРИТМ C-СЕРЕДНІХ, КЛАСТЕРНИЙ АНАЛІЗ, МАТРИЧНИЙ МЕТОД, АДАПТИВНА КЛАСТЕРИЗАЦІЯ, JAVA, АНАЛІЗ ДАНИХ, НАВЧАННЯ БЕЗ ВЧИТЕЛЯ, МАТРИЦЯ The object of research: fuzzy clustering of high-dimensional data. Subject of research: algorithms, approaches and methods of high-dimensional data clustering. The objective of research is to develop a batch and adaptive matrix clustering algorithms, which extend the fuzzy c-means method, and development of software that implements the proposed modified algorithms. The methodological basis of Master Thesis was to use methods of analysis, classification, synthesis and description of the investigated methods of fuzzy clustering, as well as in the experiment on the basis of the developed modifications of fuzzy c-means algorithm. In the course of Master Thesis matrix modifications of fuzzy c-means algorithm and software implementing them were developed. The introduced methods allow working directly with the matrix data, avoiding the bulky operations of vectoring and an opposite operation of vectoring, and improving the time of clustering (the quality of the developed and modifiable algorithms is the same). The proposed methods are applicable to research and processing of electromagnetic, thermal and optical fields, areas of air pollution, medical observations, digital images and video sequences. FUZZY CLUSTERING, POSSIBILISTIC CLUSTERING, C-MEANS ALGORITHM, CLUSTER ANALYSIS, MATRIX METHOD, ADAPTIVE CLUSTERING, JAVA, DATA MINING, UNSUPERVISED LEARNING, MATRIX
