Dynamic fuzzy pattern recognition

Angstenberger, Larisa; Zimmermann, Hans-Jürgen

doi:HT013108242

Dynamic fuzzy pattern recognition

Angstenberger, Larisa (Author)

2001

Verantwortlichkeitsangabevorgelegt von Larisa Angstenberger

ImpressumAachen : Publikationsserver der RWTH Aachen University 2001

UmfangX, 271 S. : graph. Darst.

Aachen, Techn. Hochsch., Diss., 2000

Genehmigende Fakultät
Fak08

Hauptberichter/Gutachter
Zimmermann, Hans-Jürgen (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2000-05-19

Online
URN: urn:nbn:de:hbz:82-opus-1673
URL: https://publications.rwth-aachen.de/record/59797/files/Angstenberger_Larisa.pdf

Einrichtungen

Fakultät für Wirtschaftswissenschaften (800000)

Inhaltliche Beschreibung (Schlagwörter)
Informatik (frei) ; Dynamisches System (frei) ; Mustererkennung (frei) ; Fuzzy-Logik (frei) ; Cluster-Analyse (frei) ; Fuzzy-Menge (frei) ; Dynamische Analyse (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Dynamische Mustererkennung beschäftigt sich mit dem Erkennen von Clustern dynamischer Objekte, d.h. dem Erkennen typischer Zustände im dynamischem Verhalten des betrachteten Systems. Ziel der Dissertation ist es, das neue Gebiet der dynamischen Mustererkennung zu untersuchen und neue Methoden für Clusterung und Klassifikation in dynamischer Umgebung zu entwickeln. Der erste Schwerpunkt der Untersuchung konzentriert sich auf die dynamische Klassifikatorbildung, die den Aufbau eines adaptiven Klassifikators erlaubt, der automatisch neue Clusterstrukturen im Laufe der Zeit erkennen kann. Der in dieser Dissertation vorgeschlagene Algorithmus wurde im Rahmen des unüberwachten Lernens entwickelt und benutzt unscharfe Mengen als Mechanismus für die graduelle Zuordnung von Objekten zu Klassen und den graduellen zeitlichen Übergang von Objekten zwischen den Clustern. Ein anderer Schwerpunkt dieser Arbeit ist die Definition von Ähnlichkeitsmaßen für Trajektorien dynamischer Objekte. Es werden Ähnlichkeitsmaße vorgeschlagen, die entweder die punktweise Nähe von Trajektorien im Merkmalsraum oder die beste Formanpassung berücksichtigen. Um die praktische Relevanz des entwickelten Algorithmus zu zeigen, wurde er zur Lösung zweier Probleme angewendet. Das erste betriebswirtschaftliche Problem beschäftigt sich mit der Segmentierung von Bankkunden auf Grund des Kundenverhaltens. Das zweite technische Problem bezieht sich auf das Erkennen von typischen Zuständen der Belastung durch Datenübertragung in einem Computernetzwerk. Die Zielgruppe dieser Arbeit sind Wissenschaftler und Praktiker auf dem neuem Gebiet der dynamischen Datenanalyse, Studenten und Promovierende im Fach Operations Research, Informatik und Ingenieurwesen.

Dynamic pattern recognition is concerned with the recognition of clusters of dynamic objects, i.e. recognition of typical states in the dynamic behaviour of a system under consideration. The goal of this thesis is to investigate this new field of dynamic pattern recognition and to develop new methods for clustering and classification in a dynamic environment. The first topic of investigation is the procedure of dynamic classifier design enabling a design of an adaptive classifier that can automatically recognise new cluster structures as time passes. The algorithm proposed in this thesis is introduced in the framework of unsupervised learning and takes advantage of fuzzy set theory which provides a unique mechanism for gradual assignment of objects to clusters and allows to detect a gradual temporal transition of objects between clusters. Another topic addressed in this book is the definition of similarity measures for trajectories of dynamic objects. A number of similarity measures for trajectories are proposed which take into consideration either the pointwise closeness of trajectories in the feature space or the best match of trajectories with respect to their shape. In order to demonstrate the practical relevance of the algorithm developed here, it was applied to two different problems. The first economic problem is concerned with bank customer segmentation based on the analysis of the customers' behaviour. The second technical problem is related to the recognition of typical states in computer network load. The target groups of this book are scientists and practitioners of the very new and growing area of dynamic data analysis, graduate and PhD students of operations research, computer science, and engineering.

OpenAccess:
PDF
(additional files)