Resumen

Los algoritmos de agrupamiento difuso son útiles cuando existe un conjunto de datos con subgrupos de puntos que tienen límites poco definidos y se superponen entre los clústeres. Los métodos tradicionales han sido ampliamente estudiados y utilizados en datos del mundo real, pero requieren que los usuarios tengan algún conocimiento del resultado de antemano para determinar cuántos clústeres buscar. Además, los algoritmos iterativos eligen el número óptimo de clústeres en función de una de varias medidas de rendimiento. En este estudio, los autores comparan el rendimiento de tres algoritmos (c-means difuso, Gustafson-Kessel y una versión iterativa de Gustafson-Kessel) al agrupar un conjunto de datos tradicional, así como datos geofísicos del mundo real que se recolectaron en un sitio arqueológico en Wyoming. Las áreas de interés en el sitio fueron identificadas utilizando un valor de corte claro, así como un corte difuso, para determinar cuál proporcionaba una mejor eliminación de ruido y puntos no relevantes. Los resultados indican

• Materias:Algoritmo genético Agrupamiento difuso Memoria gamma Controlador Neuro-Fuzzy
• Subjects:Genetic algorithm Fuzzy clustering Gamma memory Neuro-Fuzzy Controller
• Palabras claves:Algoritmos de agrupamiento; Conjunto de datos; Límites; Superposición; Algoritmos iterativos; Medidas de rendimiento
• Keywords:Clustering algorithms; Dataset; Boundaries; Overlap; Iterative algorithms; Performance measures