Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
Obtenga beneficios adicionales
Aún no tiene una suscripción a Virtual Pro?
Para acceder a este contenido se requiere una suscripción
El objetivo principal de este trabajo es presentar un nuevo algoritmo de clustering para rboles de metadatos basado en el algoritmo K-prototipos, el algoritmo GSO (glowworm swarm optimization) y el maximal frequent path (MFP). El clustering de rboles de metadatos incluye el clculo del vector de caractersticas del rbol de metadatos y el clustering del vector de caractersticas. Por lo tanto, los mtodos tradicionales de clustering de datos no son adecuados directamente para los rboles de metadatos. Como mtodo principal para calcular los vectores propios, el mtodo MFP tambin se enfrenta a las dificultades de la alta complejidad computacional y la prdida de informacin clave. En general, el algoritmo de los prototipos K es adecuado para la agrupacin de datos de atributos mixtos, como los vectores de caractersticas, pero el algoritmo de los prototipos K es sensible al centro de agrupacin inicial. En comparacin con otros algoritmos de inteligencia de enjambre, el algoritmo OSG tiene ventajas de bsqueda global ms eficientes, que son adecuadas para resolver problemas multimodales y tambin tiles para optimizar el algoritmo de prototipos K. Para abordar la agrupacin de estructuras de metadatos en rbol en trminos de precisin de agrupacin y alta dimensin de datos, este artculo combina el algoritmo OSG, el algoritmo de prototipos K y MFP para estudiar y disear un nuevo mtodo de agrupacin de estructuras de metadatos. En primer lugar, se utiliza MFP para describir las caractersticas del rbol de metadatos, y el parmetro clave de los datos categricos se introduce en el vector de caractersticas de MFP para mejorar la precisin del vector de caractersticas para describir el rbol de metadatos; en segundo lugar, se combina GSO con K-prototipos para disear GSOKP para agrupar el vector de caractersticas que contiene datos numricos y datos categricos con el fin de mejorar la precisin de la agrupacin; por ltimo, se realizan pruebas con un conjunto de rboles de metadatos. Los resultados experimentales muestran que el mtodo de clustering de rboles de metadatos diseado GSOKP-FP tiene ciertas ventajas con respecto a la precisin del clustering y la complejidad temporal.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
En un Problema de Programación de Flujo de Trabajo con Tiempo de Procesamiento Pentagonal Difuso
Artículo:
Un esquema de IPS eficiente y seguro para dispositivos móviles en la computación centrada en el ser humano.
Artículo:
Sobre números enteros con el orden de aparición localmente más pequeño en la secuencia de Fibonacci.
Artículo:
Un enfoque atractivo asociado con funciones de transformación para resolver ciertas ecuaciones fraccionarias de Swift-Hohenberg.
Artículo:
Solución a problemas bidimensionales estacionarios de transferencia inversa de calor con fuente de calor interior basada en el método del gradiente conjugado
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
Los web services como herramienta generadora de valor en las organizaciones
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Libro:
Ergonomía en los sistemas de trabajo
Virtual Pro es un portal virtual de formación, investigación y comunicación especializado en procesos industriales.
� 2021, Virtual Pro �, una marca de Grupo INGCO. Todos los derechos reservados
