Uma nova Abordagem para Análise de Agrupamentos para Análise de Agrupamentos Baseada no no Algoritmo Elástico

Informações:

Publicações do PESC

Título
Uma nova Abordagem para Análise de Agrupamentos para Análise de Agrupamentos Baseada no no Algoritmo Elástico
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
20/7/2000
Resumo
PESC: Resumo de Dissertação de Mestrado Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)

Uma Nova Abordagem para Análise de Agrupamentos Baseada no Algoritmo Elástico

Rogério Lopes Salvini

Julho/2000
Orientador: Luís Alfredo Vidal de Carvalho  

 
Programa: Engenharia de Sistemas e Computação

      Este trabalho propõe um novo método para a Análise de Agrupamentos em espaços n-dimensionais usando o Algoritmo Elástico (AE), uma variação do algoritmo de aprendizado dos mapas topográficos de Kohonen. Nesta abordagem, o AE é empregado dentro de uma estrutura hierárquica que melhora a performance do algoritmo. Foram feitos testes com dois tipos de conjuntos de dados: (1) conjuntos de dados simulados com até 1000 pontos gerados aleatoriamente em grupos linearmente separáveis com até 10 dimensões e (2) banco de dados encontrados na Internet usados para avaliar algoritmos de classificação. As vantagens do método aqui apresentado são simplicidade do algoritmo, convergência rápida e estável, e eficiência na análise de agrupamentos.

Abstract
PESC: Master's Degree Abstract Abstract of Thesis presented at COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Master of Science (M.Sc.)

A New Approach for Cluster Analysis Based on the Elastic Net Algorithm

Rogério Lopes Salvini

July/2000
Advisor:Luís Alfredo Vidal de Carvalho  
Department: Systems Engineering and Computer Science

      This work proposes a new method for data clustering in a n-dimensional space using the Elastic Net Algorithm (ENA) which is a variation of the Kohonen topographic map learning algorithm. In this approach, the ENA is employed within a hierarchical framevork which improves the perforrnance of the algorithm. Tests were made with two types of datasets: (1) simulated datasets with up to 1000 points randomly generated in groups linearly separable with up to dimension lO and (2) databases found in Internet used to evaluate classification algorithms. The advantages of the method presented here are simplicity of the algorithm, fast and stable convergence, and efficiency in cluster analysis.

Arquivo
Topo