Resumen

El algoritmo de propagación de afinidad (AP), como método novedoso de clustering, no requiere que los usuarios especifiquen los centros de cluster iniciales por adelantado, lo que considera todos los puntos de datos como ejemplares potenciales (centros de cluster) por igual y agrupa los clusters totalmente por el grado de similitud entre los puntos de datos. Pero en muchos casos existen algunas áreas intensivas diferentes dentro del mismo conjunto de datos, lo que significa que el conjunto de datos no se distribuye homogéneamente. En esta situación, el algoritmo AP no puede agrupar los puntos de datos en clusters ideales. En este trabajo, proponemos un algoritmo de clustering AP ampliado para tratar este problema. Nuestro método consta de dos pasos: en primer lugar, el conjunto de datos se divide en varios tipos de densidad de datos de acuerdo con las distancias más cercanas de cada punto de datos y, a continuación, el método de clustering AP se utiliza, respectivamente, para agrupar los puntos de datos en clusters en cada tipo de densidad de datos. Se realizan dos experimentos para evaluar el rendimiento de nuestro algoritmo: uno utiliza un conjunto de datos artificiales y el otro un conjunto de datos sísmicos reales. Los resultados del experimento muestran que los grupos se obtienen con mayor precisión mediante nuestro algoritmo que el propio algoritmo de clustering OPTICS y AP.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:punto de datos, tipo de densidad de datos, conjunto de datos, algoritmo, métodos novedosos de clustering, centro de cluster inicial, métodos de clustering ap, datos sísmicos reales, área intensiva diferente, cluster ideal
• Keywords:data point, data density type, data set, algorithm, novel clustering methods, initial cluster center, ap clustering methods, real seismic data, different intensive area, ideal cluster