TESTOWANIE WYSTĘPOWANIA STRUKTURY DANYCH W OPARCIU O PODEJŚCIE HYBRYDOWE

Volodymyr Mosorov

w.mosorow@kis.p.lodz.pl
Lodz University of Technology, Institute of Applied Computer Science (Polska)

Taras Panskyi


Lodz University of Technology, Institute of Applied Computer Science (Polska)

Sebastian Biedron


Lodz University of Technology, Institute of Applied Computer Science (Polska)

Abstrakt

W pracy tej przedstawiono testowanie występowania struktury danych w oparciu o podejście hybrydowe. Podejście to, podczas testowania wymaga zdefiniowania hipotezy wstępnego klastrowania; założenia homogeniczności danych na podstawie zdefiniowanej „statystyki”; zastosowania tej samej procedury klastrowania dla interesującego zbioru danych oraz porównania wyników uzyskanych na podstawie statystyki z wynikami uzyskanymi z interesującego nas zbioru danych. Zalety i wady podejścia hybrydowego zostały również rozważone.


Słowa kluczowe:

hipoteza wstępnego klastrowania, testowanie struktury danych, występowania struktury

Mosorov V., Tomczak L.: Image texture defect detection method using fuzzy c-means clustering for visual inspection systems. Arabian Journal for Science and Engineering 39(4)/2014, 3013–3022 [DOI:10.1007/s13369-013-0920-7].
  Google Scholar

Kumar D., Bezdek J.C., Rajasegarar S., Leckie C., Palaniswami M.: A visual-numeric approach to clustering and anomaly detection for trajectory data. The Visual Computer, December 2015 [DOI:10.1007/s00371-015-1192-x].
  Google Scholar

Zhang S., Hu W., Wang T., Liu J., Zhang Y.: Speaker Clustering Aided by Visual Dialogue Analysis. Advances in Multimedia Information Processing – PCM 2008. Springer Science + Business Media. 693–702.
  Google Scholar

Strauss D.J., Riverside C.: A model for clustering. Biometrika 62(2)/ 1975, 467–475 [DOI:10.1093/biomet/62.2.467].
  Google Scholar

Bock H.H.: On some significance tests in cluster analysis. Journal of Classification 2(1)/1985, 77–108 [DOI:10.1007/bf01908065].
  Google Scholar

Hartigan J.A., Mohanty S.: The runt test for multimodality. Journal of Classification 9(1)/1992, 63–70 [DOI:10.1007/bf02618468].
  Google Scholar

Hennig C., Lin C-J.: Flexible parametric bootstrap for testing homogeneity against clustering and assessing the number of clusters. Statistics and Computing 25(4)/2015, 821–833 [DOI:10.1007/s11222-015-9566-5].
  Google Scholar

Hautaniemi S., Edgren H., Vesanen P. et al.: A novel strategy for microarray quality control using Bayesian networks. Bioinformatics 19(16)/2003, 2031–2038 [DOI:10.1093/bioinformatics/btg275].
  Google Scholar

Everitt B.S., Landau S., Leese M., Stahl D.: Cluster analysis. John Wiley & Sons, January 7, 2011.
  Google Scholar

Gordon A.: Studies in Classification, Data Analysis, and Knowledge Organization. Gordon AD. From Data to Knowledge. Springer Science + Business Media 1996, 32–44.
  Google Scholar

Fisher R.A.: The use of multiple measurements in taxonomic problems. Annals of Eugenics 7(2)/1936, 179–188 [DOI:10.1111/j.1469-1809.1936.tb02137.x].
  Google Scholar

Gorman R.P., Sejnowski T.J.: Analysis of hidden units in a layered network trained to classify sonar targets. Neural Networks 1/1988, 75–89.
  Google Scholar

Ripley B.D.: Neural networks and related methods for classification. Journal of the Royal Statistical Society - Series B (Methodological) 56(3)/1994, 409–456 [DOI:10.2307/2346118].
  Google Scholar


Opublikowane
2017-06-30

Cited By / Share

Mosorov, V. ., Panskyi, T. ., & Biedron, S. . (2017). TESTOWANIE WYSTĘPOWANIA STRUKTURY DANYCH W OPARCIU O PODEJŚCIE HYBRYDOWE. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 7(2), 119–122. https://doi.org/10.5604/01.3001.0010.4853

Autorzy

Volodymyr Mosorov 
w.mosorow@kis.p.lodz.pl
Lodz University of Technology, Institute of Applied Computer Science Polska

Autorzy

Taras Panskyi 

Lodz University of Technology, Institute of Applied Computer Science Polska

Autorzy

Sebastian Biedron 

Lodz University of Technology, Institute of Applied Computer Science Polska

Statystyki

Abstract views: 213
PDF downloads: 44