Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/RAOA-BBZLL4
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Antonio de Padua Braga | pt_BR |
dc.contributor.referee1 | Rodney Rezende Saldanha | pt_BR |
dc.contributor.referee2 | Eduardo Mazoni Andrade Marcal Mendes | pt_BR |
dc.contributor.referee3 | Luis Enrique Zarate Galvez | pt_BR |
dc.contributor.referee4 | Douglas Alexandre Gomes Vieira | pt_BR |
dc.creator | Gustavo Rodrigues Lacerda Silva | pt_BR |
dc.date.accessioned | 2019-08-10T01:42:26Z | - |
dc.date.available | 2019-08-10T01:42:26Z | - |
dc.date.issued | 2018-07-30 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/RAOA-BBZLL4 | - |
dc.description.abstract | This PhD dissertation presents a methodology focused on clustering problems with large data volumes. The goal is to design algorithms that can process large volumes of data without loss of clustering quality. Specifically, this Doctoral dissertation presents two novel, fast and scalable distance-based clustering algorithms well suited to analyse large datasets. The first one is the GPIC clustering method, which performs the calculation of the anity matrix and the eigenvectors with the support of the Graphics Processing Unit - GPU. The second method, called bdrFCM, reduces the volume of data using the border of the Fuzzy c-means cluster results as a fundamental principle. Results found with synthetic and real datasets demonstrate that the approaches proposed by this work can process a significant amount of data in less time and reduce the volume of data, whilst maintaining the quality of the clustering result | pt_BR |
dc.description.resumo | Este trabalho apresenta uma metodologia direcionada a problemas de agrupamentos com grandes volumes de dados. O objetivo ´e projetar algoritmos que tenham a capacidade de processar grandes volumes de dados sem a perda de qualidade do agrupamento. Dois novos m´etodos de agrupamento sao propostos. O primeiro ´e o m´etodo de agrupamento GPIC, que realiza tanto o c´alculo da matriz de afinidades quanto dos autovetores com o aux´lio de Unidades de Processamento Gr´afico GPUs, do ingles Graphics Processing Unit. O segundo m´etodo, denominado bdrFCM, reduz o volume de dados utilizando como princ´pio b´asico a borda dos agrupamentos resultantes. Resultados encontrados com bases de dados sint´eticas e reais demonstram que as abordagens propostas por este trabalho conseguem processar grande quantidade de dados em tempo menor e reduzir o volume de dados, mantendo a qualidade do agrupamento | pt_BR |
dc.language | Inglês | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Engenharia elétrica | pt_BR |
dc.subject.other | Algoritmos | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.title | Distance-based clustering methods for large datasets | pt_BR |
dc.type | Tese de Doutorado | pt_BR |
Appears in Collections: | Teses de Doutorado |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.