which represents the weighted intra

which represents the weighted intracluster spreads. Note that the Xi− Ck norm point and kth cluster, and the objective function Om gives a measure of compactness within the clusters. The objective function Om calculates weighted distance of all data points from all cluster centers where the weighting has been done according to some rational exponential of the membership grades. The FCM algorithm computes the cluster centers [Ck] and the membership grades [Mki] by iterative minimization of the objective function Om until some predefined stopping criterion is met. The stopping criterion is specified by a small positive number ε = [0, 1] for membership grades at successive iteration cycles. The first step may begin with initialization of c cluster centers by random selection of c data points from the original set. This is followed by computation of the membership grades using Eq. (2) and the objective function using Eq. (4). Alternatively, the algo-
rithm may start by initialization of the membership grades under the constraints Mki = [0, 1], c k=1Mki = [0, 1], and then by computing the cluster centers using Eq. (3) and the objective function using Eq.(4). Considering the first approach for initialization, letthe initial cluster centers are denoted by Ck(0) for k = 1, 2,..., c where the argument(0) indicates the initial cycle (zero-th iteration cycle). The iterative minimization of the objective function then proceeds as follows. Step 1. Set iteration cycle t = 0, and calculate initial c × N membership grade matrix U(0) = [Mki] by using Eq. (2). Step 2. Upgrade c cluster centers [Ck(t)] by using Eq. (3) for the chosen value of m. Step 3. Update membership grades for the next iteration cycle U(t) → U(t + 1) according to Eq. (2) if 2 = 0 for some k ∈ C ⊆ C, then define Mki(t + 1) for Xi − Ck(t)
represents a measure of similarity between ith data 2 > 0. If Xi − Ck(t)

ผลลัพธ์ (ไทย) 1:

ซึ่งแสดงถึง intracluster ถ่วงน้ำหนักแพร่กระจาย โปรดสังเกตว่าปกติ Xi− Ck จุด และคลัสเตอร์ kth และฟังก์ชันวัตถุประสงค์ในการออมให้วัด compactness ภายในคลัสเตอร์ ฟังก์ชันวัตถุประสงค์ออมคำนวณจากน้ำหนักของจุดข้อมูลทั้งหมดจากศูนย์คลัสเตอร์ทั้งหมดที่ถูกทำน้ำหนักตามเชือดบางเนนของเกรดสมาชิก อัลกอริทึม FCM ตัวศูนย์คลัสเตอร์ [Ck] และเกรดสมาชิก [Mki] โดยลดภาระซ้ำของฟังก์ชันวัตถุประสงค์ออมจนเป็นไปตามเกณฑ์บางหยุดล่วงหน้า กำหนดเกณฑ์หยุดεบวกเลขขนาดเล็ก = [0, 1] สำหรับสมาชิกเกรดที่รอบการเกิดซ้ำครั้งต่อ ๆ มา ขั้นแรกอาจเริ่มต้น ด้วยการเริ่มต้นของคลัสเตอร์ c ศูนย์ โดยสุ่มเลือกจุด c ข้อมูลจากชุดเดิม นี้ตาม ด้วยการคำนวณเกรดสมาชิกใช้ Eq. (2) และฟังก์ชันวัตถุประสงค์ใช้ Eq. (4) หรือ algo-rithm อาจเริ่มต้น ด้วยการเริ่มต้นของเกรดสมาชิกภายใต้ข้อจำกัดของ Mki = [0, 1], c k = 1Mki = [0, 1], แล้ว โดยคอมพิวเตอร์ คลัสเตอร์ศูนย์ใช้ Eq. (3) และใช้การ Eq.(4) ฟังก์ชันวัตถุประสงค์ได้ พิจารณาวิธีแรกสำหรับเริ่มต้น ศูนย์ letthe คลัสเตอร์เริ่มต้นคุณสามารถระบุ โดย Ck(0) สำหรับ k = 1, 2,..., c ที่ argument(0) การแสดงรอบแรก (รอบการเกิดซ้ำ th ศูนย์) ลดภาระซ้ำของวัตถุประสงค์การทำงานดำเนินการแล้วดังนี้ ขั้นตอนที่ 1 ตั้งค่าการเกิดซ้ำรอบ t = 0 และคำนวณเมตริกซ์เกรดสมาชิกเริ่มต้น c × N U(0) = [Mki] โดย Eq. (2) ขั้นตอนที่ 2 คลัสเตอร์ c เกรดศูนย์ [Ck(t)] โดย Eq. (3) สำหรับค่าท่านเมตรขั้นตอนที่ 3 เกรดสมาชิกปรับปรุงสำหรับการเกิดซ้ำถัดไปวน U(t) → U (t + 1) ตาม (2) ถ้า 2 = 0 สำหรับบาง k ∈ C ⊆ C แล้วกำหนด Mki Eq. (t + 1) สำหรับ Xi − Ck(t)แสดงถึงการวัดความคล้ายคลึงกันระหว่างข้อมูล 2 ระยะ > 0 ถ้า Xi − Ck(t)

ผลลัพธ์ (ไทย) 2:

ซึ่งหมายถึงการแพร่กระจาย intracluster ถ่วงน้ำหนัก โปรดทราบว่าจุดบรรทัดฐาน Xi- Ck และคลัสเตอร์ KTH และฟังก์ชันวัตถุประสงค์อ้อมให้ตัวชี้วัดของความเป็นปึกแผ่นภายในกลุ่ม ฟังก์ชันวัตถุประสงค์อ้อมคำนวณระยะทางถ่วงน้ำหนักของจุดข้อมูลทั้งหมดจากทุกศูนย์คลัสเตอร์ที่น้ำหนักได้กระทำตามที่ชี้แจงเหตุผลของเกรดเป็นสมาชิก อัลกอริทึม FCM คำนวณศูนย์คลัสเตอร์ [Ck] และเกรดสมาชิก [Mki] โดยการลดซ้ำของฟังก์ชันวัตถุประสงค์อ้อมจนบางเกณฑ์หยุดที่กำหนดไว้ล่วงหน้าจะพบ เกณฑ์การหยุดจะถูกระบุโดยจำนวนบวกเล็กε = [0, 1] สำหรับเกรดสมาชิกที่รอบซ้ำต่อเนื่อง ขั้นตอนแรกอาจเริ่มต้นด้วยการเริ่มต้นของศูนย์คลัสเตอร์คโดยการสุ่มเลือกของจุดข้อมูล C จากชุดเดิม นี้ตามด้วยการคำนวณเกรดเป็นสมาชิกโดยใช้สมการ (2) และฟังก์ชันวัตถุประสงค์โดยใช้สมการ (4) อีกทางเลือกหนึ่งคิดที่
ใสอาจเริ่มต้นด้วยการเริ่มต้นของเกรดเป็นสมาชิกภายใต้ข้อ จำกัด Mki = [0, 1], CK = 1Mki = [0, 1] และจากนั้นโดยการคำนวณศูนย์คลัสเตอร์โดยใช้สมการ (3) และฟังก์ชันวัตถุประสงค์โดยใช้สมการที่ (4). พิจารณาวิธีแรกสำหรับการเริ่มต้น letthe ศูนย์คลัสเตอร์เริ่มต้นจะแสดงด้วย Ck (0) สำหรับ k = 1, 2, ... , คที่อาร์กิวเมนต์ (0) แสดงให้เห็นวงจรครั้งแรก (รอบย้ำศูนย์-th) ลดซ้ำของฟังก์ชันวัตถุประสงค์แล้วรายได้ดังต่อไปนี้ ขั้นตอนที่ 1. ชุดซ้ำรอบ t = 0 และคำนวณคเริ่มต้น×เกรดสมาชิกไม่มีเมทริกซ์ U (0) = [Mki] โดยใช้สมการ (2) ขั้นตอนที่ 2 การอัพเกรดศูนย์คลัสเตอร์ค [Ck (t)] โดยใช้สมการ (3) สำหรับค่าที่ได้รับการแต่งตั้งจากม. ขั้นตอนที่ 3 เกรดสมาชิกปรับปรุงสำหรับรอบซ้ำไป U (t) → U (T + 1) ตามสมการ (2) ถ้า 2 = 0 สำหรับบาง k ∈ C ⊆ C แล้วกำหนด Mki (T + 1) สำหรับ Xi - Ck (t)
หมายถึงวัดของความคล้ายคลึงกันระหว่างข้อมูลบอด 2> 0 ถ้า Xi - Ck (t)

ผลลัพธ์ (ไทย) 3:

ซึ่งหมายถึงการแพร่กระจาย intracluster ถัว . โปรดทราบว่า หมายเลข− CK บรรทัดฐานจุด และ kth คลัสเตอร์ และฟังก์ชันวัตถุประสงค์ โอม ให้วัดความเป็นปึกแผ่นภายในกลุ่ม ฟังก์ชันวัตถุประสงค์ โอม คำนวณระยะทางรวมของข้อมูลทุกจุดจากศูนย์ทุกกลุ่มที่น้ำหนักได้ตามบางเหตุผลแทนของสมาชิกเกรดโดย FCM ขั้นตอนวิธีคำนวณศูนย์ [ CK ] และกลุ่มเกรด [ สมาชิก ] โดยสรุปได้ดังนี้การซ้ำของฟังก์ชันวัตถุประสงค์ โอม จนมีกำหนดเกณฑ์หยุดจะพบ ที่ถูกกำหนดโดยเกณฑ์หยุดเล็กบวกเลข ε = [ 0 , 1 ] สำหรับสมาชิกที่คะแนนต่อเนื่องซ้ำรอบขั้นตอนแรกจะเริ่มต้นด้วยการเริ่มต้นของ C กลุ่มศูนย์ โดยการเลือกแบบสุ่มของจุด C ข้อมูลจากชุดเดิม นี้ตามด้วยการคำนวณของสมาชิกเกรดใช้อีคิว ( 2 ) และฟังก์ชันวัตถุประสงค์การใช้อีคิว ( 4 ) อีกวิธีหนึ่งคือ อัลกอ -
rithm อาจเริ่มต้นด้วยการเริ่มต้นของสมาชิกเกรดภายใต้ข้อจำกัด mki = [ 0 , 1 ] , c k = 1mki = [ 0 , 1 ]แล้ว โดยศูนย์คอมพิวเตอร์คลัสเตอร์ที่ใช้อีคิว ( 3 ) และฟังก์ชันวัตถุประสงค์การใช้อีคิว ( 4 ) พิจารณาวิธีการแรกสำหรับการเริ่มต้น letthe เริ่มต้น , กลุ่มศูนย์แทน โดย CK ( 0 ) k = 1 , 2 , . . . , C ที่อาร์กิวเมนต์ ( 0 ) บ่งชี้ว่า รอบแรก ( รอบทำซ้ำศูนย์ TH ) ค่าซ้ำของฟังก์ชันวัตถุประสงค์แล้วเงินดังนี้ ขั้นตอนที่ 1ตั้งซ้ำรอบ t = 0 และคำนวณเริ่มต้น C × N เมทริกซ์เกรดสมาชิก u ( 0 ) = [ mki ] โดยการใช้อีคิว ( 2 ) ขั้นตอนที่ 2 อัพเกรด C กลุ่มศูนย์ [ CK ( T ) ] โดยการใช้อีคิว ( 3 ) สำหรับเลือกค่าของ ขั้นตอนที่ 3 อัพเดทสมาชิกเกรดสำหรับถัดไปทำซ้ำวงจร u ( t ) → keyboard - key - name u ( T 1 ) ตามอีคิว ( 2 ) ถ้า 2 = 0 สำหรับ K ∈ C ⊆ C แล้วกำหนด สรุปได้ดังนี้ ( 1 ) 11 − 1 ( T )
หมายถึงการวัดความคล้ายคลึงกันระหว่าง ith ข้อมูล 2 > 0 ถ้า 11 − 1 ( T )