Estudio de estrategias para la aceleración de la convergencia del clustering mediante fuzzy c-means

Simple item page
dc.contributor.advisorPertuz Arroyo, Said David
dc.contributor.authorTrujillo Ortiz, Diana Carolina
dc.contributor.authorSacristan Hernandez, Carlos Serjeif
dc.date.accessioned2024-03-03T22:44:22Z
dc.date.available2016
dc.date.available2024-03-03T22:44:22Z
dc.date.created2016
dc.date.issued2016
dc.description.abstractEn el presente trabajo de grado se lleva a cabo el estudio de estrategias para acelerar la convergencia del clustering empleando Fuzzy C-means (FCM), con la finalidad de encontrar la mejor variante del algoritmo de clustering FCM que permita reducir el tiempo de cómputo, coste computacional y calidad de clustering. Las variantes FCM relacionadas con la aceleración que se seleccionaron para el estudio son Online Fuzzy C-means (OFCM), Single Pass Fuzzy C-means (SPFCM) y Random Sampling Plus Extension Fuzzy C-means (RSEFCM). Dichas variantes son comparadas entre sí y los resultados se contrastan con el algoritmo original FCM. Para este análisis se utilizan tres Datasets obtenidos de bases de datos públicamente disponibles, con el fin de recolectar la información necesaria en cada procedimiento de clustering realizado por cada algoritmo. Se observó que al comparar las métricas de cómputo con cada uno de los Datasets con respecto al Speed up (aceleración), la variante de (RSEFCM) tuvo el mejor desempeño. Para el análisis de la calidad de las particiones se observó que variante de (RSEFCM) presenta una alta eficacia y confiabilidad en los resultados. Por último, respecto a la complejidad de los algoritmos se pudo comprobar que el coste computacional tiene un comportamiento lineal.
dc.description.abstractenglishStudy of strategies for the acceleration of the convergence of clustering using fuzzy c-means
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/35068
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectCluster
dc.subjectClustering
dc.subjectFuzzy C-Means (Fcm)
dc.subjectPartición Difusa
dc.subjectCentroides
dc.subjectConvergencia.
dc.subject.keywordIn the present work
dc.subject.keywordwe perform a comparative study of strategies to accelerate the convergence of clustering using Fuzzy C-means (FCM)
dc.subject.keywordin order to find the best implementation of the FCM clustering algorithm in terms of computational cost. The studied FCM variants related to the acceleration of clustering were Online Fuzzy C-means (OFCM)
dc.subject.keywordand Single Pass Fuzzy C-means (SPFCM)
dc.subject.keywordand Ramdom Sampling plus Extension Fuzzy C-means (RSEFCM) which are compared against the original FCM algorithm using three different databases in order to collect the necessary information about each clustering algorithm. I our experiments for assessing the speed up with respect to the classic FCM
dc.subject.keywordwe found that RSEFCM had the highest performance. With respect to the quality of the obtained partitions
dc.subject.keywordRSEFCM yielded the more accurate and robust results among the studied versions of FCM. As for the complexity of the algorithms
dc.subject.keywordexperimental tests showed a linear behavior in the computational cost.
dc.titleEstudio de estrategias para la aceleración de la convergencia del clustering mediante fuzzy c-means
dc.title.englishCluster, Clustering, Fuzzy C-Means (Fcm), Fuzzy Partition, Centroids, Convergence.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
589.57 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.56 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
181.47 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica