قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
خوارزمية FCM (Fuzzy C-Means)
خوارزمية تحسين تكرارية تقلل دالة الهدف بناءً على المسافات الموزونة بين النقاط ومراكز المجموعات، باستخدام معلمة ضبابية للتحكم في مستوى غموض التقسيمات.
نماذج المجموعات (البروتوتايب)
المراكز التمثيلية vj لكل مجموعة ضبابية، تُحسب كمتوسط مرجح للنقاط وفقًا لدرجات انتمائها، وتُستخدم كمرجع لتقييم المسافات.
التقسيم الضبابي الأمثل
تكوين المجموعات ودرجات الانتماء التي تقلل دالة الهدف مع احترام قيود الانتماء، مما يمثل أفضل بنية ضبابية للبيانات.
خوارزمية غوستافسون-كيسل
امتداد لخوارزمية FCM يقوم بتكييف الشكل الإهليلجي للمجموعات باستخدام مصفوفات التغاير التكيفية لكل مجموعة، مما يسمح باكتشاف الهياكل غير الكروية.
مؤشر زي-بيني
معيار التحقق XB = (Σi Σj uij^m ||xi - vj||²) / (n * mini≠j ||vi - vj||²) الذي يقيم التوازن بين التماسك داخل المجموعة والفصل بين المجموعات.
التجميع الاحتمالي (Possibilistic Clustering)
متغير من التجميع الضبابي يريح قيد المجموع الأحادي لدرجات الانتماء، مما يسمح بتفسير احتمالي حيث تمثل الدرجات التوافق بدلاً من الاحتمالات.
صورة ظلية ضبابية (Fuzzy Silhouette)
تكييف لمؤشر الصورة الظلية للسياق الضبابي، يدمج درجات الانتماء لتقييم تماسك المجموعات وفصلها برؤية أكثر دقة للهياكل.
خوارزمية PCM (Possibilistic C-Means)
طريقة تجميع تعتمد على نظرية الاحتمالات تزيل قيد تطبيع درجات الانتماء، وهي قوية بشكل خاص في مواجهة الضوضاء والقيم الشاذة.
FCM الموزون بالنواة
امتداد لـ FCM يستخدم دوال النواة لتحويل البيانات ضمنيًا إلى فضاء ذي أبعاد أعلى، مما يسمح باكتشاف هياكل غير خطية.
تقارب FCM
خاصية تضمن أن خوارزمية FCM تصل إلى حد أدنى محلي أو نقطة سرج لدالة الهدف بعد عدد محدود من التكرارات، تحت شروط رياضية معينة.
المتانة في التجميع الغامض
قدرة خوارزميات التجميع الغامض على مقاومة الاضطرابات مثل القيم الشاذة أو الضوضاء، وغالبًا ما تتحسن من خلال المناهج الاحتمالية أو المسافات القوية.