Parallel K-Means Clustering For Large Data Sets
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,215
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
BPJ01_524
تاریخ نمایه سازی: 29 دی 1392
چکیده مقاله:
Large data set clustering is a time-consuming task that can be improved by parallel techniques. One of the most popular clustering algorithms is K-Means. This algorithm simply selects K points as cluster centers and assigns each data point to its nearest center. The Algorithm reassigns the cluster centers until a convergence criterion would be met. In this paper, a new method for parallelizing the K-Means is presented. In the proposed algorithm, each cluster is placed in a separate site. This property can be useful for applications that need to store and process similar data (each cluster) separately. In addition, against very other methods it does not make any assumptions about the homogeneity of data distribution. The experimental results show that the proposed algorithm speeds up the clustering process significantly
کلیدواژه ها:
نویسندگان
Hossein Sharifipanah
Research Institute of Petroleum Industry
Behrouz Nonahal
Research Institute of Petroleum Industry
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :