установка fuzzy logic toolbox

подарки ЂЂЂ подарочные сертификаты

  Информация на сайте была обновлена 21.04.12

V Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB» (май 2011 г.)

IV Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB» (май 2009 г.)

III Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB» (октябрь 2007 г.)

II Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB» (май 2004 г.)

I Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB» (май 2002 г.)

Демонстрационные примеры   \ К следующему разделу \ К предыдущему разделу FCMDEMO Иллюстрация применения нечеткого c-means алгоритма для задач кластеризации Описание: В этом разделе описывается демонстрационная программа fcmdemo, иллюстрирующая применение нечеткого c-means алгоритма для задач кластеризации. Программа fcmdemo выводит на экран интерактивное графическое окно, позволяющее пользователю выбирать набор данных для кластеризации. устанавливать параметры нечеткого c-means алгоритма, просматривать результаты кластеризации, в том числе и графики функций принадлежности центров кластеров. Во время кластерного анализа в рабочую область MatLab выводятся значения целевой функции на каждой итерации нечеткого c-means алгоритма. Графическое окно fcmdemo с указанием функционального назначения основных полей приведено на рис. 1. Рисунок 1. ЂЂЂ Окно демонстрационной программы fcmdemo Графическое окно fcmdemo содержит 7 верхних типовых меню (File, Edit, View, Insert, Tools, Windows и Help), область визуализации, меню выбора данных, меню установки параметров алгоритма кластеризации, кнопку запуска кластерного анализа (Start), а также кнопки Info и Close, которые позволяют вызвать окно справки и закрыть модуль, соответственно. Меню выбора данных Меню выбора данных расположено в правом верхнем углу графического окна. Пользователь имеет возможность выбрать один из пяти демо-наборов данных Data Set 1 - Data Set 5, а также загрузить собственные данные. Демо-наборы не являются постоянными; они генерируются программой fcmdemo при каждой загрузке данных. Для загрузки собственных данных необходимо выбрать опцию CustomЂЂЂ и затем в типовом окне открытия файла указать соответствующий файл данных. Данные должны быть записаны в файле построчно, т. е. каждый объект необходимо описать одной строкой, содержащей значения двух признаков. Область визуализации В этой области, которая расположена в середине графического окна, в двумерном пространстве выводятся объекты (образы) и найденные центры кластеров. Маркеры в виде окружности соответствуют объектам, а маркеры в виде диска - центрам кластеров. Центры кластеров выделяются различными цветами. Такими же цветами выделяются и объекты, принадлежащие соответствующим кластерам. В процессе кластерного анализа центры кластеров пошагово перемещаются из середины области визуализации к ЂЂЂсвоимЂЂЂ местам. Траектории перемещения центров кластеров изображаются сплошными линиями. В процессе кластерного анализа изменяются цвета объектов согласно их принадлежностью кластерам на каждой итерации алгоритма. Для управления визуализацией используются следующие кнопки: Label Data ЂЂЂ разрешение / подавление выделения цветом принадлежности объектов кластерам; Clear Traj ЂЂЂ удаление траектории перемещения центров кластеров; MF Plot ЂЂЂ вывод функции принадлежности центра кластера. Для получения графического изображения функции принадлежности необходимо с помощью мыши выбрать центр кластера и нажать кнопку MF Plot. Пример функции принадлежности центра кластера показан на рис. 2. Рисунок 2. ЂЂЂ Функция принадлежности центра кластера Установка параметров алгоритма кластеризации Пользователь может с помощью меню выбрать количество кластеров (от 2 до 9), а также установить значения следующих параметров нечеткого c-means алгоритма: в поле Expo - значение экспоненциального веса; в поле Iterat - максимальное количество итераций алгоритма; в поле Improv - минимально допустимое значение улучшения целевой функции за одну итерацию алгоритма.    \ К следующему разделу \ К предыдущему разделу