Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Тема выпускной квалификационной работы: «Разработка и сравнение методов роя частиц и улучшенного упрощенного роя частиц для оптимизации работы алгоритма k-harmonic means». Выпускная квалификационная работа бакалавра посвящена исследованию методов оптимизации в алгоритмах машинного обучения. В данной работе проведен анализ алгоритмов оптимизации, использующихся для модификации методов кластеризации на основе центроидов. Рассмотрена оптимизация метода k-harmonic means с помощью различных алгоритмов мягких вычислений. Целью работы является выявление наиболее эффективных методов кластеризации на базе классического алгоритма машинного обучения k-means. В ходе работы были реализованы алгоритмы мягких вычислений, относящиеся к методам роевого интеллекта, для использования в решении задачи кластеризации на основе метода K-Harmonic means. Проведен сравнительный анализ их эффективности и сформулированы выводы. В Главе 1 рассматриваются известные алгоритмы мягких вычислений, которые используются для улучшения алгоритма k-harmonic means. Глава 2 детально описывает реализацию алгоритмов и архитектуру приложения. В Главе 3 описан проведенный сравнительный анализ реализованных алгоритмов и его результаты.
The subject of the graduate qualification work: "Development and comparison of particle swarm method and an improved simplified particle swarm method to optimize the k-harmonic means algorithm." The final qualifying work of the bachelor is devoted to the study of optimization methods in machine learning algorithms. In this paper, we analyze the optimization algorithms used to modify centroid-based clustering methods. The optimization of the k-harmonic means method using various soft computing algorithms is considered. The aim of the work is to identify the most effective clustering methods based on the classic k-means machine learning algorithm. In the course of work, soft computing algorithms related to swarm intelligence methods were implemented for use in solving the clustering problem based on the K-Harmonic means method. A comparative analysis of their effectiveness is carried out and conclusions are formulated. Chapter 1 discusses well-known soft computing algorithms that are used to improve the k-harmonic means algorithm. Chapter 2 details the implementation of the algorithms and the architecture of the application. Chapter 3 describes the comparative analysis of the implemented algorithms and its results.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 50
Last 30 days: 0 Detailed usage statistics |