Relevant bibliographies by topics / Алгоритм кластеризації

Academic literature on the topic 'Алгоритм кластеризації'

Author: Grafiati
Published: 30 May 2022
Last updated: 31 May 2022

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles

Select a source type:

Contents

Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Алгоритм кластеризації.'

Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.

You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.

Journal articles on the topic "Алгоритм кластеризації"

1

Shakhovska, N. B., and N. I. Melnykova. "Нові методи та рішення щодо побудови моделі поведінки користувачів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 76–83. http://dx.doi.org/10.36930/40300513.

Full text
Abstract:
Наведено нові методи та рішення щодо побудови моделі поведінки користувачів, які дадуть змогу виявити закономірності планування зустрічей друзів на підставі аналізу їхнього щоденного руху. Для цього попередньо проаналізовано низку методів і алгоритмів кластеризації даних і виокремлено особливості їхнього застосування. З'ясовано, що основними перевагами методів кластеризації даних на підставі їхньої щільності є можливість виявлення кластерів вільної форми різного розміру та стійкості до шуму та викидів. Однак до недоліків цих методів можна віднести високу чутливість до встановлення вхідних параметрів, не чіткий опис класів і непридатність для кластеризації даних великих розмірів. З'ясовано, що основною проблемою всіх алгоритмів кластеризації є їх масштабованість із збільшенням обсягу оброблених даних. Встановлено, що основними проблемами більшості з них є складність налаштування оптимальних вхідних параметрів (для алгоритмів щільності, сітки чи моделі), ідентифікація кластерів різної форми та щільності (алгоритми розподілу, алгоритми на підставі сітки), нечіткі критерії завершення (ієрархічний, розділовий та на підставі моделі). Оскільки процедура кластеризації є тільки одним із етапів оброблення даних системи загалом, обраний алгоритм повинен бути простим у використанні та простим для налаштування вхідних параметрів. Дослідження показують, що ієрархічні методи кластеризації містять ряд алгоритмів, придатних як для оброблення даних невеликого обсягу, так і для аналізу великих даних, що є актуальним у галузі соціальних мереж. На підставі виконаного аналізу даних, зібрано інформацію для заповнення розумного профілю користувача. Значну увагу приділено дослідженню асоціативних правил, на підставі чого запропоновано алгоритм для вилучення асоціативних правил, що дало змогу знаходити статистично значущі правила, а також шукати тільки залежності, визначені загальним набором вхідних даних, та має високу обчислювальну складність, якщо існує багато правил класифікації. Розроблено підхід, що орієнтований на створення та розуміння моделей поведінки користувачів, прогнозування майбутньої поведінки за допомогою створеного шаблону. Досліджено методи моделювання попереднього оброблення даних (кластеризація) та виявлено закономірності планування зустрічей друзів на підставі аналізу щоденного руху людей та їхніх друзів. Наведено методи створення та розуміння моделей поведінки користувачів, застосовано алгоритм k-means для групування користувачів, що дало змогу визначити, наскільки добре кожен об'єкт знаходиться у своєму кластері. Введено поняття правил асоціації, розроблено метод пошуку залежностей, оцінено точність моделі.
APA, Harvard, Vancouver, ISO, and other styles
2

Kovivchak, Ja, V. Dubuk, and R. Mishak. "Розробка програмного засобу для стиснення зображень на основі кластеризації." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 46 (March 30, 2022): 17–23. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-03.

Full text
Abstract:
Стаття присвячена розробці програмного засобу для стиснення зображень на основі кластеризації. Приведено загальну класифікацію методів стиснення растрових зображень. Висвітлено основні методи кластеризації даних і їх застосування для зменшення об’єму даних. Проведено аналіз існуючих програмних рішень для стиснення зображень. Розглянуто алгоритм K-Means в задачах стиснення зображення. Побудовано концептуальну модель системи. Розроблено блок-схему алгоритму роботи програмного засобу для стиснення зображень на основі кластеризації. Приведено діаграму прецедентів і діаграму діяльності програмного засобу. Розглянуто діаграму компонентів засобу. Розроблено інтерфейс ко­рис­тувача програмного засобу.
APA, Harvard, Vancouver, ISO, and other styles
3

Шніпко, О. С. "Алгоритм кластеризації мезо-економічних систем за рівнем їхньої здатності до протидії загрозам." Формування ринкових відносин в Україні, no. 6(61) (2006): 3–13.

Find full text
APA, Harvard, Vancouver, ISO, and other styles
4

Шніпко, О. С. "Алгоритм кластеризації мезо-економічних систем за рівнем їхньої здатності до протидії загрозам." Формування ринкових відносин в Україні, no. 6(61) (2006): 3–13.

Find full text
APA, Harvard, Vancouver, ISO, and other styles
5

Гичиев, Набиюла Сапиюлаевич. "КЛАСТЕРНЫЙ АНАЛИЗ В ЭКОНОМИКЕ: теоретический аспект." Региональные проблемы преобразования экономики, no. 8 (December 29, 2020): 176. http://dx.doi.org/10.26726/1812-7096-2020-8-176-186.

Full text
Abstract:
Цель работы. Представить критический обзор научной литературы по кластерному анализу, выявить предпочтительность и недостатки различных методов оценкии алгоритмов кластеризации для повышения эффективности управления устойчивым социально-экономическим развитием региона. Методы исследования. В работе представлены общая процедура и этапы кластерного анализа, алгоритмы кластеризации, иерархическая кластеризация, кластеризация взвешенных K-средних, алгоритм Ллойда. Результаты. В статье рассматриваются актуальные проблемы генезиса методов кластерного анализа, позволяющего обосновать необходимость формирования и развития территориальных кластеров – востребованного сегодня метода обеспечения устойчивого регионального развития. Обзор представленной научной литературы выявил сильные и слабые стороны алгоритмов кластеризации, иерархического и других методов кластерного анализа, повышающих уровень качества и достоверности статистической информации при оценке и анализе эффективности государственного управления устойчивостью социально-экономических явлений и процессов, происходящих в российских регионах. Рассмотренные подходы к развитию методов кластеризации позволяют решить проблему возникновения кластера, зарождения отраслевых агломераций и объяснить процесс превращения в «критическую массу» предприятий, компаний и учреждений, необходимый для функционирования кластера. Область применения результатов. Разнообразие методов кластерного анализа свидетельствует об отсутствии единственно верного подхода к их практической операционализации. Полученные результаты компаративной оценки методов кластерного анализа следует учитывать при разработке программ и стратегий регионального развития. Отдельные положения кластерного анализа экономических процессов могут быть востребованы со стороны органов исполнительной власти региона при формировании разрабатываемой «Стратегии социально-экономического развития Республики Дагестан до 2035 г.». Выводы. Кластерный анализ является универсальным инструментом моделирования направлений социально-экономического развития. Результаты кластерного анализа представляются в наглядной форме, облегчающей принятие решений по определению оптимального числа факторов и взаимосвязи различных кластеров.
APA, Harvard, Vancouver, ISO, and other styles
6

Орленко, Н. С., К. М. Мажуга, М. Б. Душар, and В. В. Маслечкін. "ПОРІВНЯЛЬНИЙ АНАЛІЗ ІЄРАРХІЧНИХ МЕТОДІВ КЛАСТЕРІЗАЦІЇ, ПРИДАТНИХ ДЛЯ ОБРОБЛЕННЯ ДАНИХ МОРФОЛОГІЧНИХ ОЗНАК СОРТІВ РОСЛИН." Вісник Полтавської державної аграрної академії, no. 2 (June 28, 2019): 261–69. http://dx.doi.org/10.31210/visnyk2019.02.35.

Full text
Abstract:
Незважаючи на те, що кластеризація є безконтрольною класифікацією багатовимірних даних увідповідні кластери, застосування кластерного аналізу під час дослідження морфологічних харак-теристик сортів рослин дозволяє зменшити розмірність вибірки даних, що сприяє більш точній іде-нтифікації нових сортів. Саме тому важливим питанням є порівняння результатів кластеризації іззастосуванням різних методів і метрик та виявлення найбільш придатних для аналізу морфологічниххарактеристик. Методи: аналітичний, математичний, статистичний, графічний. Під час виконан-ня досліджень використано широко відомий набір даних, що має назву Іриси Фішера. Результати.Досліджено вплив на результат кластерного аналізу різних ієрархічних агломеративних методівкласифікації (ближнього сусіда, дальнього сусіда, середнього зв'язку, середнього сусіда (центроїда)та метода Варда) із застосуванням евклідових та не евклідових метрик. Оцінено результати клас-терізації з використанням засобів описової статистики (методу перехресних таблиць). Встановле-но, що найбільш придатними для проведення кластеризації за морфологічними характеристикамидля наборів даних, які описуються метричними шкалами є методи: середнього зв'язку (між групами)із застосуванням кореляції Пірсона, середнього зв'язку (всередині групи) із застосуванням метрикКосінус та кореляції Пірсона, а також методу Варда із застосуванням метрики Косінус. Запропо-новано використовувати апарат частотної статистики (перехресні таблиці) для оцінювання якос-ті результатів класифікації. Висновки. Проведене тестування довело, що не існує жодного універса-льного алгоритму, який би ідеально розподілив набір Ірисів Фішера на кластери. Не зважаючи на те,що встановлено методи й метрики, які є найбільш вдалими для класифікації протестованого наборуданих, ці методи не можна рекомендувати для використання під час тестування морфологічних оз-нак усіх ботанічних таксонів. Кластеризацію сортів рослин потрібно проводити ітераційно, послі-довно застосовуючи найбільш поширені алгоритми кластеризації та ретельно оцінювати результа-ти кластеризації з метою вибору метода та метрики, які найбільш оптимально класифікують сор-ти рослин та дозволять правильно інтерпретувати результати класифікації. Результати такоїкластеризації рекомендовано оцінювати з використанням методу перехресних таблиць та обиратикращий за якістю кластерів.
APA, Harvard, Vancouver, ISO, and other styles
7

Ляховець, А. В. "Кластеризація за допомогою нейронної мережі Кохонена та модифікованого алгоритму ієрархічної кластеризації Хамелеон у різних предметних областях." Реєстрація, зберігання і обробка даних 15, no. 1 (April 4, 2013): 53–58. http://dx.doi.org/10.35681/1560-9189.2013.15.1.103365.

Full text
Abstract:
Представлено результати експериментів і роботи нейронної мережі Кохонена для кластеризації клієнтів банку та модифікованого алгоритму ієрархічної кластеризації Хамелеон для кластеризації пацієнтів зі спінальним поперековим стенозом. Наведено аналіз досліджуваних алгоритмів кластеризації та їхнє порівняння. Описано експериментальні вибірки і результати експериментів. Табл.: 1. Бібліогр.: 9 найм.
APA, Harvard, Vancouver, ISO, and other styles
8

Bulba, S., V. Davydov, and H. Kuchuk. "МЕТОД РОЗПОДІЛУ РЕСУРСІВ МІЖ КОМПОЗИТНИМИ ЗАСТОСУНКАМИ." Системи управління, навігації та зв’язку. Збірник наукових праць 4, no. 50 (September 12, 2018): 99–104. http://dx.doi.org/10.26906/sunz.2018.4.099.

Full text
Abstract:
Предмет розгляду – методи оптимального розподілу ресурсів. Метою статті є розробка методу розподілу ресурсів між композитними за стосунками, орієнтованому на динамічний вибір алгоритму оптимізації. методи, що використовуються, – жадібні та мурашині алгоритми, кластерізаційний підхід. Результати роботи. Розглянуто узагальнення існуючих евристик динамічного планування, які відносяться до класу жадібних алгоритмів та знаходять на кожному кроці локально оптимальне рішення. Проведено укрупнену класифікацію методів розподілу пакету композитних застосунків. Проаналізовано два типи кластеризації - вертикальну та горизонтальну. Розглянута можливість планування наборів композитних застосунків на базі кластерізаціонного підходу. Наведено спосіб розподілу наборів композитних за стосунків як з використанням мурашиного алгоритму, так і на базі кластерізаційного підходу з використанням мурашиного алгоритму. Проаналізовано переваги та недоліки кожного із розглянутих підходів, що дало змогу визначити межі застосування кожного із підходів. Висновки. Запропоновано чотири різних підходи до розподілу ресурсів між композитними за стосунками з використанням таких методів: жадібні алгоритми, мурашині алгоритми, вертикальна та горизонтальна кластерізація, сумісне використання мурашиного алгоритму та кластерізації. Розроблений метод дозволяє динамічно провести найкращий вибір. Подальші дослідження будуть направлені на розробку відповідного алгоритму.
APA, Harvard, Vancouver, ISO, and other styles
9

Крилов, Євген Володимирович. "Розробка алгоритму стабілізації антропоморфної кінцівки при опорі на поверхню другого роду." Адаптивні системи автоматичного управління 1, no. 20 (November 23, 2012): 67–73. http://dx.doi.org/10.20535/1560-8956.20.2012.30705.

Full text
Abstract:
Стаття присвячена розробці алгоритму управління положенням центру мас антропоморфної кінцівки з метою приведення конструкції у найбільш стійке положення. Вихідною інформацією для керування є інформація про точки дотику нижньої поверхні антропоморфної кінцівки («стопи») та опорної поверхні, а також тиску в цих точках, що отримується від тактильних датчиків. Розроблений алгоритм включає в себе декілька етапів, зокрема кластеризацію отриманого масиву даних, оцінку значень тиску в точках отриманих кластерів та визначення напряму руху та параметрів, що необхідно змінити для зміни положення центру мас. Робота алгоритму була промодельована з використанням ігрового фізичного движка.Отриманні результати можуть бути використані при розробці алгоритмів керування ходою двоногого крокуючого робота на основі використання інформації від тактильних датчиків стопи, а також при розробці алгоритмів підтримання рівноваги двоногого антропоморфного робота у різних умовах.
APA, Harvard, Vancouver, ISO, and other styles
10

Головастова, Элеонора Александровна, and Дмитрий Николаевич Красотин. "Кластеризация текстовой выборки, параметризованной ключевыми словами своих элементов." Вестник ВГУ. Серия: Системный анализ и информационные технологии, no. 3 (September 30, 2020): 108–19. http://dx.doi.org/10.17308/sait.2020.3/3045.

Full text
Abstract:
В данной работе рассмотрено решение задачи кластеризации больших объемов текстовых выборок фиксированной длины с помощью компьютерных средств обработки информации. Автоматическое разделение на группы близких по смыслу текстов является одной из важнейших задач анализа данных, так как имеет очень широкую область применения. Основное внимание в статье уделено скорости выполнения алгоритма. Для этого используется способ представления выборки, использующий в качестве набора признаков документов их ключевые слова, которые есть наиболее важные слова в тексте, набор которых может дать для читателя достаточно полное представление о его содержании. Ключевые слова определяются с помощью предварительно вычисленных значений статистической меры tf-idf, характеризующей важность каждого слова текста именно для рассматриваемого текста. Следующим этапом является непосредственно кластеризация корпуса документов. В данной работе используется модификация метода Dbscan, который является плотностным алгоритм пространственной кластеризации с присутствием шума, но здесь он интерпретируется как разновидность обхода в ширину с некоторыми ограничениями графа выборки документов. Поэтому в данной работе после определения ключевых слов элементов выборки строится инвертированный индекс для словаря корпуса текстов. Далее с помощью найденного инвертированного индекса определяется объект связей документов корпуса, который впоследствии передаётся в качестве аргумента в алгоритм Dbscan. Подобный подход к реализации поставленной задачи выбран из-за предположения о его быстродействии. Для проверки этого предположения проводится замер времени выполнения ключевых операций, значения которого приводятся в качестве иллюстрации результата тестирования предложенного метода кластеризации.
APA, Harvard, Vancouver, ISO, and other styles
More sources

Dissertations / Theses on the topic "Алгоритм кластеризації"

1

Шмалюк, І. Ю. "Алгоритм BSP для кластеризації соціальних мереж." Thesis, Сумський державний університет, 2015. http://essuir.sumdu.edu.ua/handle/123456789/40658.

Full text
Abstract:
Алгоритм кластеризації business system planning (BSP) запропоно- ваний компанією IBM. Цей алгоритм використовує об'єкти (бізнес- процеси) і зв'язки між об'єктами (класи даних) для проведення класте- рного аналізу. Соціальні мережі також включають в себе об'єкти і зв'язки між цими об'єктами. Кластеризація в аналізі соціальних мереж вимагає угрупування об'єктів не тільки залежно від значення їх атри- бутів, але також і в залежності від зв'язків між цими об'єктами.
APA, Harvard, Vancouver, ISO, and other styles
2

Паливода, В. В. "Метод когнітивної кластеризації." Thesis, Київський національний університет технологій та дизайну, 2018. https://er.knutd.edu.ua/handle/123456789/11823.

Full text
APA, Harvard, Vancouver, ISO, and other styles
3

Башкатов, Є. О. "Дослідження кластерної структури часових рядів." Thesis, ХНУРЕ, 2021. https://openarchive.nure.ua/handle/document/16423.

Full text
Abstract:
These abstracts propose an algorithm for isolating the cluster structure in time series. This will allow to process samples of large volume, by reducing the dimensionality of the original sample for further effective statistical analysis in order to establish the properties of the original time series, such as fractality. The algorithm is universal for constructing dynamic visibility graphs of DVG for arbitrary time intervals of measurement reflection.
APA, Harvard, Vancouver, ISO, and other styles
4

Безменова, Ольга Миколаївна. "Про результати діагностування наявності захворювань з використанням алгоритмів класифікації на основі нечітких правил." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2016. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45814.

Full text
APA, Harvard, Vancouver, ISO, and other styles
5

Аксак, Н. Г., and Е. В. Соколец. "Ускоренный алгоритм кластеризации для анализа больших данных." Thesis, ДРУКАРНЯ МАДРИД, 2016. http://openarchive.nure.ua/handle/document/8360.

Full text
APA, Harvard, Vancouver, ISO, and other styles
6

Козин, И. А., and Елена Петровна Черных. "Оценка качества кластеризации с помощью графовых алгоритмов." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2017. http://repository.kpi.kharkov.ua/handle/KhPI-Press/48355.

Full text
APA, Harvard, Vancouver, ISO, and other styles
7

Струков, В. М., Д. Ю. Узлов, and О. В. Власов. "Максимінний критерій визначення первинних центрів в алгоритмах кластеризації К-means." Thesis, Актуальні питання протидії кіберзлочинності та торгівлі людьми: матеріали Всеукраїнської наук.-практ. конф., Харків, 23 листоп. 2018 р. / МВС України, Харків. нац. ун-т внутр. справ. – Х.: Права людини, 2018, 2018. http://dspace.univd.edu.ua/xmlui/handle/123456789/6538.

Full text
Abstract:
Струков, В. М. Максимінний критерій визначення первинних центрів в алгоритмах кластеризації К-means / В. М. Струков, Д. Ю. Узлов, О. В. Власов // Актуальні питання протидії кіберзлочинності та торгівлі людьми: матеріали Всеукраїнської наук.-практ. конф., Харків, 23 листоп. 2018 р. / МВС України, Харків. нац. ун-т внутр. справ. – Х.: Права людини, 2018.
APA, Harvard, Vancouver, ISO, and other styles
8

Крамар, Іван Ігорович. "Кластеризація даних, що збираються з відібраних джерел науково-технічної інформації." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/36639.

Full text
Abstract:
Метою роботи є застосування кластеризації науково-технічних даних не тільки для наглядного представлення об’єктів, але і для розпізнавання нових. Метою кластеризації документів є автоматичне виявлення груп семантично схожих документів серед заданої фіксованої множини. Групи формуються тільки на основі попарної схожості описів документів, і ніякі характеристики цих груп не задаються заздалегідь. Для видалення неінформативних слів розглянуто методи: видалення стоп-слів, стеммінг, N-діаграми, приведення регістра. Для виділення ключових слів та класифікації результатів використано наступні методи: словниковий, статистичний та побудований на основі Y-інтерпретації закону Бредфорда, TF-IDF міра, F-міра та метод лакричних шаблонів. Для реалізації системи кластерного аналізу науково-технічних даних обрано високорівневу мову програмування Python, реалізація інтерпретатора 2.7. Даний програмний код читається легше, його багаторазове використання і обслуговування виконується набагато простіше, ніж використання програмного коду на інших мовах.
The aim of the work is to use the clustering of scientific and technical data not only for the visual representation of objects, but also for the recognition of new ones. The purpose of document clustering is to automatically detect groups of semantically similar documents among a given fixed set. Groups are formed only on the basis of pairwise similarity of document descriptions, and no characteristics of these groups are set in advance. Methods for deleting uninformative words are considered: deletion of stop words, stemming, N-diagrams, case reduction. The following methods were used to highlight keywords and classify the results: dictionary, statistical and based on the Y-interpretation of Bradford's law, TF-IDF measure, F-measure and the method of licorice patterns. Python programming language was chosen to implement the system of cluster analysis of scientific and technical data, a high-level, the implementation of the interpreter 2.7. This program code is easier to read, its reuse and maintenance is much easier than using program code in other languages.
Целью работы является применение кластеризации научно-технических данных не только для наглядного представления объектов, но и для распознавания новых. Целью кластеризации документов является автоматическое выявление групп семантически похожих документов среди заданной фиксированной множества. Группы формируются только на основе попарно сходства описаний документов, и никакие характеристики этих групп не задаются заранее. Для удаления неинформативных слов рассмотрены методы: удаление стоп-слов, стемминг, N-диаграммы, приведение регистра. Для выделения ключевых слов и классификации результатов использованы следующие методы: словарный, статистический и построен на основе Y-интерпретации закона Брэдфорда, TF-IDF мера, F-мера и способ лакричным шаблонов. Для реализации системы кластерного анализа научно-технических данных избран высокоуровневый язык программирования Python, реализация интерпретатора 2.7. Данный программный код читается легче, его многократное использование и обслуживание выполняется гораздо проще, чем использование программного кода на других языках.
APA, Harvard, Vancouver, ISO, and other styles
9

Кузьменко, П. С. "Автоматизована інформаційна комп‘ютерна система сегментації об`єктів на фотознімку." Thesis, Чернігів, 2020. http://ir.stu.cn.ua/123456789/23490.

Full text
Abstract:
Кузьменко, П. С. Автоматизована інформаційна комп‘ютерна система сегментації об`єктів на фотознімку : випускна кваліфікаційна робота : 123 "Комп’ютерна інженерія" / П. С. Кузьменко ; керівник роботи В. А. Бичко ; НУ "Чернігівська політехніка", кафедра інформаційних та комп’ютерних систем. – Чернігів, 2020. – 67 с.
Об'єктом даної комплексної курсової роботи є розробка автоматизованої інформаційної комп‘ютерної системи сегментації об`єктів на фотознімку. Метою роботи є розробка архітектури комп’ютерної системи для відслідковування рухомих об`єктів шляхом ідентифікації окремих сегментів на фото – або відео знімках. Основним призначенням комп'ютерної системи є автоматизувати процес відслідковування певних сегментів, завантажених у програму знімків. У роботі проаналізовано існуючі способи автоматизованої сегментації. У ході виконання роботи було розроблено архітектуру системи, алгоритм сегментації фотознімку та реалізований алгоритм пошуку обраного об‘єкта на різних фотознімках. Робота має практичну цінність.
The object of this complex course work is the development of an automated information computer system for segmentation of objects in photography. The aim of the work is to develop the architecture of a computer system for tracking moving objects by identifying individual segments in photos or videos. The main purpose of a computer system is to automate the process of tracking certain segments loaded into the image program. The existing methods of automated segmentation are analyzed in the work. During the work, the system architecture, photo segmentation algorithm and algorithm for searching for the selected object in different photos were developed. The work has practical value.
APA, Harvard, Vancouver, ISO, and other styles
10

Михайлишин, Світлана Петрівна. "Інформаційно-аналітична система обігу пакетованого насіння дочірнього підприємства “Світ насіння” товариства з обмеженою відповідальністю “Тернопільсортнасінняовоч”." Thesis, Тернопільський національний технічний університет імені Івана Пулюя, 2017. http://elartu.tntu.edu.ua/handle/123456789/19592.

Full text
Abstract:
Дипломна робота присвячена модифікації існуючої інформаційно-аналітичної системи обігу пакетованого насіння дочірнього підприємства “Світ насіння” товариства з обмеженою відповідальністю “Тернопільсортнасінняовоч” шляхом створення програмного модуля для автоматизації розподілу залишків товару між торгівельними точками. В роботі було розглянуто метод головних компонент для зменшення розмірності даних, проаналізовано основні алгоритми кластеризації і обрано найбільш оптимальний та зручний у використанні для поставленого завдання – метод найближчого сусіда, також побудовано правила прийняття рішення на основі отриманих результатів, використано алгоритм у систему “1C” як додаткову надбудову.
APA, Harvard, Vancouver, ISO, and other styles

Book chapters on the topic "Алгоритм кластеризації"

1

КЕЛЬМАНОВ, АЛЕКСАНДР ВАСИЛЬЕВИЧ, ВЛАДИМИР ИЛЬИЧ ХАНДЕЕВ, and АННА ВЛАДИМИРОВНА ПАНАСЕНКО. "РАНДОМИЗИРОВАННЫЕ АЛГОРИТМЫ ДЛЯ НЕКОТОРЫХ ЗАДАЧ КЛАСТЕРИЗАЦИИ." In ИНТЕЛЛЕКТУАЛИЗАЦИЯ ОБРАБОТКИ ИНФОРМАЦИИ, 56–57. TORUS PRESS, 2018. http://dx.doi.org/10.30826/idp201823.

Full text
APA, Harvard, Vancouver, ISO, and other styles
2

КЕЛЬМАНОВ, АЛЕКСАНДР ВАСИЛЬЕВИЧ, ВЛАДИМИР ИЛЬИЧ ХАНДЕЕВ, and АННА ВЛАДИМИРОВНА ПАНАСЕНКО. "ТОЧНЫЕ АЛГОРИТМЫ ДЛЯ СПЕЦИАЛЬНЫХ СЛУЧАЕВ ДВУХ ТРУДНОРЕШАЕМЫХ ЗАДАЧ 2-КЛАСТЕРИЗАЦИИ." In ИНТЕЛЛЕКТУАЛИЗАЦИЯ ОБРАБОТКИ ИНФОРМАЦИИ, 54–55. TORUS PRESS, 2018. http://dx.doi.org/10.30826/idp201822.

Full text
APA, Harvard, Vancouver, ISO, and other styles
3

КЕЛЬМАНОВ, АЛЕКСАНДР ВАСИЛЬЕВИЧ, АРТЕМ ВАЛЕРЬЕВИЧ ПЯТКИН, СЕРГЕЙ АСГАДУЛЛОВИЧ ХАМИДУЛЛИН, and ВЛАДИМИР ИЛЬИЧ ХАНДЕЕВ. "ТОЧНЫЙ АЛГОРИТМ ПОИСКА КЛАСТЕРА НАИБОЛЬШЕГО РАЗМЕРА В ЗАДАЧЕ 2-КЛАСТЕРИЗАЦИИ ЦЕЛОЧИСЛЕННОЙ ПОСЛЕДОВАТЕЛЬНОСТИ." In ИНТЕЛЛЕКТУАЛИЗАЦИЯ ОБРАБОТКИ ИНФОРМАЦИИ, 60–61. TORUS PRESS, 2018. http://dx.doi.org/10.30826/idp201825.

Full text
APA, Harvard, Vancouver, ISO, and other styles

Conference papers on the topic "Алгоритм кластеризації"

1

С. Белянушкина, М., and Д. В. Логинов. "Развитие алгоритмов кластеризации сейсмических данных." In Geomodel 2008 - 10th EAGE science and applied research conference on oil and gas geological exploration and development. European Association of Geoscientists & Engineers, 2008. http://dx.doi.org/10.3997/2214-4609.201404295.

Full text
APA, Harvard, Vancouver, ISO, and other styles
2

Айрапетян, Жирайр Сережаевич, Дмитрий Сергеевич Фролов, and Борис Григорьевич Миркин. "Метод максимального правдоподобия для обобщения нечетких множеств в таксономиях." In Математические основы информатики и информационно-коммуникационных систем. Crossref, 2021. http://dx.doi.org/10.26456/mfcsics-21-15.

Full text
Abstract:
В работе предлагается новый метод обобщения тематической текстовой коллекции, оснащенной таксономией предметной области. С помощью спектральных методов кластеризации из текстовой коллекции извлекаются нечеткие множества листьев таксономии, соответствующие понятиям, одновременно используемым в статьях коллекции. Эти нечеткие множества обобщаются путем их подъема в дереве таксономии с использованием критерия максимального правдоподобия. Оптимальный подъем подразумевает нахождение вершины или множества вершин в дереве таксономии, наиболее плотно покрывающих листовые понятия из обобщаемого множества. Наш метод включает два основных этапа: (1) извлечение кластеров из текстовой коллекции и (2) обобщение этих кластеров. В данной работе модернизируются оба этапа. Алгоритмы применены к структурному анализу и описанию текстовой коллекции из 17 тыс. аннотаций научных статей в области Наук о данных, опубликованных в журналах издательства Шпрингер. Таксономия Наук о данных, используемая в данной работе, является шестиуровневой иерархической таксономией, разработанной вручную международной Ассоциацией Вычислительной Техники и Вычислительных Систем (ACM-CSS [4])
APA, Harvard, Vancouver, ISO, and other styles
You might also be interested in the extended bibliographies on the topic 'Алгоритм кластеризації' for particular source types:
Journal articles
We offer discounts on all premium plans for authors whose works are included in thematic literature selections. Contact us to get a unique promo code!

To the bibliography