Метод трехмерной триангуляции в задачах кластерного анализа

• Опубліковано в: : Штучний інтелект
• Дата: 2010
• Автори: Бусыгин, Б.С., Зацепин, Е.П.
• Формат: Стаття
• Мова: Російська
• Опубліковано: Інститут проблем штучного інтелекту МОН України та НАН України 2010
• Теми: Системы и методы искусственного интеллекта
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/56117
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Метод трехмерной триангуляции в задачах кластерного анализа / Б.С. Бусыгин, Е.П. Зацепин // Штучний інтелект. — 2010. — № 1. — С. 16-24. — Бібліогр.: 14 назв. — рос.

Представлен метод многомерного шкалирования на основе трехмерной триангуляции. Рассмотрена возможность качественного сохранения геометрической структуры множества объектов при отображении многомерного пространства в трехмерное. Приведены результаты применения метода для решения задачи кластеризации на примере периодической системы элементов Д.И. Менделеева. Экспериментально показано, что по критериям качества кластеризации предложенный метод более эффективен в сравнении с методами k-средних и нейронной сети Кохонена. Представлено метод багатовимірного шкалювання на основі тривимірної тріангуляції. Розглянуто можливість якісного збереження геометричної структури множини об’єктів при відображенні багатовимірного простору в тривимірне. Наведено результати застосування методу для вирішення задачі кластеризації на прикладі періодичної системи елементів Д.І. Менделєєва. Експериментально показано, що за критеріями якості кластеризації запропонований метод більш ефективний у порівнянні з методами k-середніх та нейронної мережі Кохонена. The method of multidimensional scaling on the basis of the 3-D triangulation is presented. The qualitative preservation possibility of geometrical structure of objects by multidimensional space mapping to three- dimensional space is considered. The results of application of the method for clustering problem of the Mendeleyev periodic table are presented. It is experimentally shown, that the presented method is more effective by criteria of clustering quality in comparison with the methods of k-averages and the Kohonen neural network.