Resumen

El análisis y el tratamiento de grandes datos constituyen un reto para los investigadores. Se han utilizado varios enfoques para modelar estos datos complejos, y se basan en algunas teorías matemáticas: difusa, probabilística, posibilista y de la evidencia. En este trabajo, proponemos un nuevo enfoque de clasificación no supervisada que combina las teorías difusa y posibilista; nuestro propósito es superar los problemas de los datos inciertos en los sistemas complejos. Utilizamos la función de membresía de fuzzy c-means (FCM) para inicializar los parámetros de possibilistic c-means (PCM), con el fin de resolver el problema de los clusters coincidentes que son generados por PCM y también superar la debilidad de FCM al ruido. Para validar nuestro enfoque, utilizamos varios índices de validez y los comparamos con otros algoritmos de clasificación convencionales: fuzzy c-means, possibilistic c-means y possibilistic fuzzy c-means. Los experimentos se realizaron con diferentes conjuntos de datos sintéticos e imágenes de RM cerebral reales.

• Materias:Sistema nervioso Neuronas Cerebro - fisiopatología Neurociencia Cognitiva Imagen por resonancia magnética
• Subjects:Nervous systems Neurons Brain - pathophysiology Cognitive Neuroscience Magnetic resonance imaging
• Palabras claves:medios, imagen de mr cerebral, debilidades de fcm, varios índices de validez, mr cerebral real, conjunto de datos sintéticos, enfoque de clasificación no supervisado, algoritmo de clasificación convencional, diferentes datos sintéticos, datos inciertos
• Keywords:means, brain mr image, weaknesses of fcm, several validity index, real brain mr, synthetic data set, unsupervised classification approach, conventional classification algorithm, different synthetic data, uncertain data