Wstęp

Praca ta ma na celu pokazanie metod klasyfikacji opartych na zbiorach rozmytych, jako metod niosących ze sobą znacznie większą liczbę informacji o sklasyfikowaniu elementów niż metody klasyczne, pozwalające nam jedynie na jednoznaczne przyporządkowanie każdego elementu do którejś z utworzonych grup. Co się z tym wiąże bardziej precyzyjne przydzielenie elementów rozpatrywanego zbioru danych do odpowiednich grup oraz wskazanie elementów nie spełniających określonych warunków przynależności do żadnej z nich. Zajmować się będę algorytmami wykorzystującymi miary odległości, których rozróżnieniem będzie sposób dojścia do rozwiązania. Zaprezentowane zostaną algorytmy, które wymagają podania liczby grup na jaką będzie podzielony zbiór danych wejściowych oraz algorytm nie wymagający zadeklarowania liczby grup.

Takie podejście do problemu grupowania i klasyfikacji ma bardzo szerokie zastosowanie w wielu dziedzinach nauki. Na przykład w diagnostyce technicznej maszyn bardzo ważnym jest oddzielenie wartości poszczególnych cech sygnałów odpowiadających stanom technicznym od zakłóceń i błędów pomiarowych rejestrowanych przez aparaturę kontrolno-pomiarową.

Przedstawię charakterystykę i przykłady zastosowania różnych algorytmów grupowania danych oraz postaram się udowodnić celowość stosowania odmiennych funkcji i algorytmów aby uzyskać jak najbardziej wiarygodny podział elementów do odpowiednich grup. Pragnę również pokazać jak wykorzystując odpowiedni algorytm można skrócić czas obliczeń, co przy dużym zbiorze danych wejściowych jest problemem bardzo istotnym.

Więcej na temat grupowania i klasyfikacji z zastosowaniem zbiorów rozmytych można znaleźć w pracy:
Algorytmy grupowania bazujące na zbiorach przybliżonych i rozmytych.