Novel algorithms for graph clustering applied to human activities
Autores: Budimirovic, Nebojsa; Bacanin, Nebojsa
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Novel algorithms for graph clustering applied to human activities
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Algoritmo
Agrupamiento
Grafo
Secuencias de cadenas
Evaluación
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
En este documento, se presenta un nuevo algoritmo (IBC1) para la agrupación de grafos sin suposición previa sobre el número de agrupaciones. Además, se presenta un algoritmo adicional (IBC2) para la agrupación de grafos cuando el número de agrupaciones se conoce de antemano. Además, se proporciona una nueva medida de evaluación de los resultados de agrupación: la precisión de las agrupaciones formadas. Con el propósito de agrupar actividades humanas, se presenta el procedimiento de formación de secuencias de cadenas. Los símbolos de cadena se obtienen mediante la modelización de señales espacio-temporales obtenidas de unidades de medida inercial. Las secuencias de cadenas proporcionaron un punto de partida para la formación del grafo ponderado completo. Utilizando este grafo, se probaron los algoritmos propuestos, así como otros algoritmos de agrupación conocidos. Los mejores resultados se obtienen utilizando el nuevo algoritmo IBC2: = 96.43%, Índice de Rand () 0.966, tasa de precisión () 0.918, tasa de recuperación () 0.929 y medida F equilibrada () 0.923.
Descripción
En este documento, se presenta un nuevo algoritmo (IBC1) para la agrupación de grafos sin suposición previa sobre el número de agrupaciones. Además, se presenta un algoritmo adicional (IBC2) para la agrupación de grafos cuando el número de agrupaciones se conoce de antemano. Además, se proporciona una nueva medida de evaluación de los resultados de agrupación: la precisión de las agrupaciones formadas. Con el propósito de agrupar actividades humanas, se presenta el procedimiento de formación de secuencias de cadenas. Los símbolos de cadena se obtienen mediante la modelización de señales espacio-temporales obtenidas de unidades de medida inercial. Las secuencias de cadenas proporcionaron un punto de partida para la formación del grafo ponderado completo. Utilizando este grafo, se probaron los algoritmos propuestos, así como otros algoritmos de agrupación conocidos. Los mejores resultados se obtienen utilizando el nuevo algoritmo IBC2: = 96.43%, Índice de Rand () 0.966, tasa de precisión () 0.918, tasa de recuperación () 0.929 y medida F equilibrada () 0.923.