Details

В работе рассматриваются методы кластеризации измерительных данных с учетом их точностных характеристик. Анализируются существующие алгоритмы кластеризации и их чувствительность к неточностям исходных данных. Предложен метрологически обоснованный подход к группировке данных, основанный на адаптации классических и нейросетевых методов с учетом погрешностей измерений. Разработаны алгоритмы, позволяющие повысить надежность кластеризации, снизить влияние шумов и выбросов, а также улучшить точность оценки числа кластеров. Проведена апробация предложенных методов на различных прикладных задачах, таких как мониторинг технического состояния оборудования и анализ динамических процессов.

The study examines clustering methods for measurement data considering their accuracy characteristics. Existing clustering algorithms and their sensitivity to measurement inaccuracies are analyzed. A metrologically justified approach to data grouping is proposed, adapting classical and neural network-based methods while accounting for measurement errors. Developed algorithms improve clustering reliability, reduce the impact of noise and outliers, and enhance the accuracy of cluster number estimation. The proposed methods have been tested in various applied tasks, such as monitoring the technical condition of equipment and analyzing dynamic processes.