АДАПТИВНА НЕЧІТКА КЛАСТЕРИЗАЦІЯ ПОТОКІВ ДАНИХ

Монографія присвячена новим ефективним нечітким методам обчислювального інтелекту а саме нечіткій кластеризації даних за умов апріорної невизначеності та надання їм адаптивних властивостей що забезпечує можливість опрацьовування потоків нестаціонарних даних викривлених завадами та пропусками що послідовно надходять на обробку в онлайн режимі. Проведено аналіз існуючих методів обробки потоків даних в умовах апріорної невизначеності та викривленості обґрунтовано необхідність вирішення задач кластеризації та аналізу даних за умов змінних характеристик потоку що включає зміну кількості класів їхньої структури та непередбачуваних дрейфів. Розроблено адаптивні методи нечіткої кластеризації які здатні працювати як в пакетному так і в онлайн режимах а також на вибірках що змінюють розмірність та форму кластерів; дозволяють обробляти великі обсяги даних що можуть надходити на обробку послідовно у формі потоків даних ефективно працювати за умов поточної та апріорної невизначеності стохастичності нелінійності нестаціонарності та є найбільш пристосованими для вирішення задач Data Mining та Data Stream Mining.