Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5749Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Roblero Aguilar, Sandra Silvia%553549 | - |
| dc.creator | Roblero Aguilar, Sandra Silvia% | - |
| dc.date.accessioned | 2023-06-13T16:53:11Z | - |
| dc.date.available | 2023-06-13T16:53:11Z | - |
| dc.date.issued | 2023-05-29 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/5749 | - |
| dc.description | La presente investigación, se ubica en el contexto de los problemas relacionados con las mejoras de los algoritmos de agrupamiento o clustering. En particular, el problema que se aborda consiste en reducir el tiempo de procesamiento del algoritmo de agrupamiento Fuzzy C-Means (FCM) para la solución de grandes datasets. El enfoque de solución, consistió en mejorar la fase de inicialización de FCM mediante la optimización de la matriz de pertenencia inicial. A este nuevo algoritmo se le denominó Hybrid OK-Means Fuzzy C-Means (HOFCM). El problema de agrupamiento de FCM es del tipo NP-Hard, lo cual justifica el uso de métodos heurísticos para su solución. A la fecha, se han propuesto mejoras en la etapa de inicialización del algoritmo FCM. Sin embargo, no están orientadas a la solución de grandes datasets como las que se presentan en el Big Data. En este sentido, el algoritmo propuesto reduce el número de iteraciones al optimizar los valores iniciales de la matriz de pertenencia. Este enfoque consta de tres pasos: a) generar un conjunto de n soluciones de un dataset dado, aplicando una variante del algoritmo KMeans; b) seleccionar la mejor solución como base para generar la matriz de pertenencia optimizada y c) resolver el dataset dado con FCM. Para validar los resultados del algoritmo HOFCM, se diseñaron y ejecutaron un conjunto de experimentos compuestos de datasets reales y sintéticos. HOFCM se contrastó con los algoritmos: FCM estándar, FCM-KMeans, FCM++ y NFCM. Con base en los resultados experimentales, se observó que HOFCM obtuvo una reducción en el tiempo de solución en todos los datasets grandes, comparado con el algoritmo FCM estándar. Al contrastar los resultados de HOFCM con los algoritmos FCM-KMeans, FCM++ y NFCM, se observó que, en promedio, fue más rápido 1.51, 2.87 y 3.01 veces respectivamente. Finalmente, con base en los resultados obtenidos, es posible afirmar que, con esta investigación, se aportaron beneficios para usuarios que buscan resolver el problema de agrupamiento difuso de grandes datasets, como los que se presentan en Big Data en tiempo razonable. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | Mejora del algoritmo de agrupamiento Fuzzy C-Means | es_MX |
| dc.type | info:eu-repo/semantics/doctoralThesis | es_MX |
| dc.contributor.director | Perez Ortega, Joaquin%7939 | - |
| dc.contributor.director | Zavala Diaz, Jose Crispin%202873 | - |
| dc.folio | 203 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Doctorado en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DCC_Sandra_Silvia_Robledo_Aguilar_2023.pdf | Tesis | 1.79 MB | Adobe PDF | View/Open |
| DCC_Sandra_Silvia_Roblero_Aguilar_2023_c.pdf Restricted Access | Cesión de Derechos | 243.92 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
