Запис Детальніше

Удосконалений метод кластеризації станів комп’ютерної техніки K-MEANS

CUNTUR

Переглянути архів Інформація
 
 
Поле Співвідношення
 
Title Удосконалений метод кластеризації станів комп’ютерної техніки K-MEANS
Improved method of clustering states of computer equipment K-MEANS
 
Creator Петришин, С.
Savchuk, T.
Petrishyn, S.
 
Subject метод K-MEANS
кластеризація
стан комп’ютерної техніки
method K-MEANS
clustering
state of computer equipment
004.89
 
Description Робота присвячена удосконаленню методу кластеризації станів комп’ютерної техніки K-MEANS з метою підвищення якості розбиття множини таких станів. При досліджені відомих модифікацій означеного методу щодо можливості їх застосування при аналізі станів комп’ютерної техніки було виявлено недостатню точність віднесення такого стану до певного кластеру через випадковий вибір їх початкових центрів.
Виявлений недолік було усунуто шляхом визначення початкових центрів кластерів на основі значень потенціалів, а також, виділення в окремий таксон станів, які могли бути помилково віднесені до кластера за рахунок допустимих відхилень значень параметрів та характеристик таких станів, що дозволило підвищити якість розбиття множини станів комп’ютерної техніки в середньому на 7%.
The work is dedicated to improving the method of clustering classes of computer equipment K-MEANS to improve the quality partition of such states. The object of research is the process of clustering state of computer equipment. Subject of research – methods of cluster analysis states of computer equipment.
Relevance of these studies is conditioned by the rapid scientific and technical progress, in which significantly increased the number of computer equipment, which is used in various fields, and therefore increases the likelihood of situations specific to this equipment, given the diversity of functions that it performs. Thus, depending on the state of computer equipment taken various administrative decisions regarding its further functioning. So important is the development or improvement of methods of cluster analysis state of computer equipment that will determine the decision on its further functioning.
In the analysis of decomposition of objects that can be used for solving the problem of clustering state of computer equipment, it was determined that such methods must be clear, non-hierarchical and scalable, expressed by characteristics inherent in the clustering method K-MEANS. When tested method known modifications appointed on the possibility of their use in the analysis of the state of computer equipment was found insufficient accuracy of classification of this state to a cluster through a random selection of initial centers.
Identified deficiencies have been corrected by determining the initial cluster centers based on the values of potentials, as well as the allocation of a separate cluster of conditions that could be mistakenly attributed to the cluster due to tolerances values of parameters and characteristics of these states, thus improving the quality of the partition of the states of computer equipment an average of 7%.
 
Date 2015-09-15T14:54:16Z
2015-09-15T14:54:16Z
2015-06-23
2015-06-23
 
Type Article
 
Identifier Савчук Т. Удосконалений метод кластеризації станів комп’ютерної техніки K-MEANS / Т. Савчук, С. Петришин // Вісник ТНТУ — Тернопіль : ТНТУ, 2015. — Том 78. — № 2. — С. 198-206. — (Приладобудування та інформаційно-вимірювальні технології).
1727-7108
http://elartu.tntu.edu.ua/handle/123456789/5857
Savchuk T. Improved method of clustering states of computer equipment K-MEANS / T. Savchuk, S. Petrishyn // Bulletin of TNTU — Ternopil : TNTU, 2015. — Volume 78. — No 2. — P. 198-206. — (Instrument-making and information-measuring systems).
 
Language uk
 
Relation 1. Барсегян А. А. Технология анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод. – [2-е изд., перераб. и доп. ]. – Спб. : БХВ, Петербург, 2007. – 384с. : ил. – ISBN 5-94157-991-8.
2. Партыка Т. Л. Вычислительная техника / Т. Л. Партыка, И. И. Попов. – [2-е изд., перераб. и доп. ]. – М. : ФОРУМ: ИНФА-М, 2007. – 608с. : ил. – ISBN 5-91134-050-X.
3. Савчук Т. О. Використання ієрархічних методів кластеризації для аналізу надзвичайних ситуацій на залізничному транспорті / Т. О. Савчук, С. І. Петришин // Вимірювальна та обчислювальна техніка в технологічних процесах. – 2009. – No 1. – С. 193-198. – ISSN 2219-9365.
4. David G. Kleinbaum Applied Regression Analysis and Other Multivariable Methods / David G. Kleinbaum, Lawrence L. Kupper, Azhar Nizam – [5 edition]. – Cengage Learning, 2013. – 1072 p. – ISBN 978- 1285051086.
5. Data Mining – Cluster Analysis [Electronic resource]. – Access mode : http://www. tutorialspoint. com/data_mining/dm_cluster_analysis. htm.
6. Гитис П. Х. Статистическая классификация и кластерний анализ / П. Х. Гитис – М. : Московский государственный горный университет, 2003. – 157 с.
7. Файсал М. Е. Сардієх. Методи і алгоритми неієрархічної кластеризації для задач інтелектуального аналізу даних: автореф. дис. : 05. 13. 06 / Файсал М. Е. Сардієх ; Нац. ун-т «Львів. політехніка». — Л., 2011. — 20 с.
8. Jain A. Data clustering: A review / Jain A., Murty M., Flynn P. – ACM Computing Surveys. 1999. – P. 264–323.
9. Савчук Т. О. Розробка модифікованого алгоритму K-MEANS для аналізу надзвичайних ситуацій на залізничному транспорті / Т. О. Савчук, С. І. Петришин // Обчислювальний інтелект (результати, проблеми, перспективи) : матеріали 1-ї Міжнародної науково-технічної конференції (10–13 травня 2011 р. ). – Черкаси, 2011. – С. 236-237.
10. Савчук Т. О. Порівняльний аналіз використання методів кластеризації для ідентифікації надзвичайних ситуацій на залізничному транспорті / Т. О. Савчук, С. І. Петришин // Системний аналiз та iнформацiйнi технології : матерiали 12-ї Мiжнародної науково-технiчної конференцiї SAIT 2010, Київ, 25–29 травня 2010 р. / ННК «IПСА» НТУУ «КПI». – К. : ННК «IПСА» НТУУ «КПI», 2010. – С. 485.
11. Tapas Kanungo An Efficient k-Means Clustering Algorithm: Analysis and Implementation / Tapas Kanungo, David M. Mount, Nathan S. Netanyahu, Christine D. Piatko, Ruth Silverman, and Angela Y. Wu // IEEE Transactions on Pattern Analysis and Machine Intelligence - Los Alamitos, USA, 2002 - No24(7), С. 881–892.
12. An Example Inference Task: Clustering [Electronic resource]. – Access mode : http://www. inference. phy. cam. ac. uk/mackay/itprnn/ps/284. 292. pdf.
13. Andrea Vattani K-means Requires Exponentially Many Iterations Even in the Plane [Electronic resource] / Andrea Vattani – Access mode : http://cseweb. ucsd. edu/~avattani/papers/kmeans-journal. pdf.
1. Barsehian A. A. Tekhnolohiia analiza dannykh: Data Mining, Visual Mining, Text Mining, OLAP / A. A. Barsehian, M. S. Kupriianov, V. V. Stepanenko, I. I. Kholod. – [2-e izd., pererab. i dop. ]. – Spb. : BKhV, Peterburh, 2007. – 384p. : il. – ISBN 5-94157-991-8.
2. Partyka T. L. Vychislitelnaia tekhnika / T. L. Partyka, I. I. Popov. – [2-e izd., pererab. i dop. ]. – M. : FORUM: INFA-M, 2007. – 608p. : il. – ISBN 5-91134-050-X.
3. Savchuk T. O. Vykorystannia iierarkhichnykh metodiv klasteryzatsii dlia analizu nadzvychainykh sytuatsii na zaliznychnomu transporti / T. O. Savchuk, S. I. Petryshyn // Vymiriuvalna ta obchysliuvalna tekhnika v tekhnolohichnykh protsesakh. – 2009. – No 1. – P. 193-198. – ISSN 2219-9365.
4. David G. Kleinbaum Applied Regression Analysis and Other Multivariable Methods / David G. Kleinbaum, Lawrence L. Kupper, Azhar Nizam – [5 edition]. – Cengage Learning, 2013. – 1072 p. – ISBN 978- 1285051086.
5. Data Mining – Cluster Analysis [Electronic resource]. – Access mode : http://www. tutorialspoint. com/data_mining/dm_cluster_analysis. htm.
6. Hitis P. Kh. Statisticheskaia klassifikatsiia i klasternii analiz / P. Kh. Hitis – M. : Moskovskii hosudarstvennyi hornyi universitet, 2003. – 157 p.
7. Faisal M. E. Sardiiekh. Metody i alhorytmy neiierarkhichnoi klasteryzatsii dlia zadach intelektualnoho analizu danykh: avtoref. dys. : 05. 13. 06 / Faisal M. E. Sardiiekh ; Nats. un-t "Lviv. politekhnika". — L., 2011. — 20 p.
8. Jain A. Data clustering: A review / Jain A., Murty M., Flynn P. – ACM Computing Surveys. 1999. – P. 264–323.
9. Savchuk T. O. Rozrobka modyfikovanoho alhorytmu K-MEANS dlia analizu nadzvychainykh sytuatsii na zaliznychnomu transporti / T. O. Savchuk, S. I. Petryshyn // Obchysliuvalnyi intelekt (rezultaty, problemy, perspektyvy) : materialy 1-Yi Mizhnarodnoi naukovo-tekhnichnoi konferentsii (10–13 travnia 2011 r. ). – Cherkasy, 2011. – P. 236-237.
10. Savchuk T. O. Porivnialnyi analiz vykorystannia metodiv klasteryzatsii dlia identyfikatsii nadzvychainykh sytuatsii na zaliznychnomu transporti / T. O. Savchuk, S. I. Petryshyn // Systemnyi analiz ta informatsiini tekhnolohii : materialy 12-Yi Mizhnarodnoi naukovo-tekhnichnoi konferentsii SAIT 2010, Kyiv, 25–29 travnia 2010 r. / NNK "IPSA" NTUU "KPI". – K. : NNK "IPSA" NTUU "KPI", 2010. – P. 485.
11. Tapas Kanungo An Efficient k-Means Clustering Algorithm: Analysis and Implementation / Tapas Kanungo, David M. Mount, Nathan S. Netanyahu, Christine D. Piatko, Ruth Silverman, and Angela Y. Wu // IEEE Transactions on Pattern Analysis and Machine Intelligence - Los Alamitos, USA, 2002 - No24(7), P. 881–892.
12. An Example Inference Task: Clustering [Electronic resource]. – Access mode : http://www. inference. phy. cam. ac. uk/mackay/itprnn/ps/284. 292. pdf.
13. Andrea Vattani K-means Requires Exponentially Many Iterations Even in the Plane [Electronic resource] / Andrea Vattani – Access mode : http://cseweb. ucsd. edu/~avattani/papers/kmeans-journal. pdf.
 
Rights © „Вісник Тернопільського національного технічного університету“
 
Coverage Тернопіль
 
Publisher Тернопiльський національний технiчний унiверситет iменi Iвана Пулюя