Алгоритмы кластеризации неориентированных графов большой размерности и их программные реализации
Получите бесплатно демо-версию Демо-версия - дипломная работа, в котрой удалена часть текста, рисунков, таблиц.Посмотреть все услуги дипломной работы на электронную почту.
Введите адрес электронной почты и нажмите "Отправить"
Разработка интернет-магазина строительных материалов, диплом разработка интернет-магазина5 760 ₽
Разработка информационной системы учета трафика в ЛВС компании, Диплом по информатике8 748 ₽
Разработка автоматизированной информационной системы учета успеваемости студентов колледжа8 208 ₽
Проектирование и разработка АРМ менеджера по закупкам7 776 ₽Описание
Работа подготовлена и защищена в 2017 году.
Кластеризация неформально определяется как процесс организации объектов в группы по типичным признакам. Есть 2 главных метода кластеризации: декомпозиция (деление, k-кластеризация) - тут каждый объект связан только с единственной группой, иерархическая кластеризация - тут каждая группа большего размера включает в себя группы меньшего размера. Оба метода очень часто изучались в середине 70-х годов и немного в 80-х. Сегодня в связи с распространением WWW поисковых систем (и особенно вопросов реализации огромных кол-ва информации) и концепцией 'информационная проходка’ (способ анализа данных в БД для нахождения аномалий и трендов без определения смыслового значения записей) вновь появился интерес к алгоритмам кластеризации.
В последние годы много работ было посвящено сравнению алгоритмов кластеризации на графах. В статье [3] обсуждается множество подходов, которые классифицированы по нескольким группам. Также в этой работе можно найти большое число реальных графов, на которых тестируются алгоритмы. Кроме того, некоторое внимание уделено метрикам качества. Экспериментальное сравнение передовых алгоритмов кластеризации на больших наборах данных было сделано в обзоре.
Особое внимание уделяется методам оценки качества кластеризации. Так, в работе [19] исследуются метрики, основанные на знании истинной кластеризации, и предлагается их объединение в группы, исходя из их физического смысла. Анализ метрик качества и отличия в их поведении в различных ситуациях также отмечены в статье. Также важно иметь представление о задачах, на которых проверяются алгоритмы и делаются выводы о их состоятельности. Помимо множества реальных данных, на которых принято тестировать алгоритмы, в статье [7] предлагаются сгенерированные графы, позволяющие качественно оценить работу алгоритмов.
Цель проекта – реализация сравнительного анализа алгоритмов кластеризации информационного графа параллельной программы.
Совместно с написанной текстовой частью в комплекте также есть программное обеспечение на языке C++.
Характеристики
Год | 2017 |
Программа с исходниками | да, С++ |
Заказывал доработку диплома по базам данных. Сделали всё качественно и в срок, объяснили все правки. Сервис устроил, рекомендую для сложных технических задач.
Вы буквально спасли меня! За неделю до защиты обнаружился косяк в коде, сам бы не успел. Ребята всё оперативно исправили и даже проконсультировали. Защитился на отлично! Огромное человеческое спасибо!
Обращался с опаской, но выбор был небольшой. Удивительно, но работу сделали действительно хорошо, без плагиата и нареканий от научника. Цены, конечно, кусаются, но за качество приходится платить.
Качественно, быстро, без лишних вопросов. Всё понятно и прозрачно. Сделали даже чуть раньше дедлайна.
Подруга посоветовала ваш сайт, и теперь я понимаю почему! Сделали буквально все: от написания теории до настройки базы данных. Никакой воды, все четко и по существу. Защитилась на «отлично»! Огромное спасибо!
