Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Книжкові видання та компакт-диски (1) | Журнали та продовжувані видання (1) | Реферативна база даних (8) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Babichev S$<.>) | |||
|
Загальна кількість знайдених документів : 7 Представлено документи з 1 до 7 |
|||
| 1. | 
Babichev S. The Modern State and Perspectives of Clastering Methods Development for High Dimension Data Analysis [Електронний ресурс] / S. Babichev // Управляющие системы и машины. - 2015. - № 1. - С. 14–24. - Режим доступу: http://nbuv.gov.ua/UJRN/USM_2015_1_3 Проведен анализ современного состояния методов кластеризации для обработки высокоразмерных данных. Для каждого этапа эксперимента проведен анализ существующих методов и средств осуществления текущей операции, сформулированы преимущества и недостатки данного метода. На основе анализа выделены задачи, решение которых способствует повышению эффективности процесса кластеризации. | ||
| 2. | 
Babichev S. Estimation of the inductive model of objects clustering stability based on the k-means algorithm for different levels of data noise [Електронний ресурс] / S. Babichev, V. Lytvynenko, M. A. Taif // Радіоелектроніка, інформатика, управління. - 2016. - № 4. - С. 54-60. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_4_9 Запропоновано індуктивну модель об'єктивної кластеризації об'єктів на основі алгоритму кластеризації k-середніх. Запропоновано і практично реалізовано алгоритм розподілу множини вихідних даних на дві рівнопотужних підмножини. Як зовнішній критерій балансу запропоновано використовувати різницю між центрами мас відповідних кластерів у різних кластеризаціях. Апробація роботи запропонованої моделі проводилася з використанням даних "Compound" та "Aggregation" бази даних обчислювальної школи Східно-Фінського університету. Описано дослідження щодо оцінки стійкості моделі до шумової компоненті з використанням даних "Seeds". Для порівняння результатів експерименту використано алгоритми k-середніх, с-середніх, індуктивний алгоритм k-середніх, а також алгоритм агломеративної ієрархічної кластеризації. За результатами моделювання визначено шляхи подальшого вдосконалення запропонованої моделі з метою підвищення об'єктивності кластеризації досліджуваних даних. | ||
| 3. | 
Babichev S. A. Computational analysis of microarray gene expression profiles of lung cancer [Електронний ресурс] / S. A. Babichev, A. I. Kornelyuk, V. I. Lytvynenko, V. V. Osypenko // Biopolymers and cell. - 2016. - Vol. 32, № 1. - С. 70-79. - Режим доступу: http://nbuv.gov.ua/UJRN/BPK_2016_32_1_11 Мета роботи - проведення досліджень щодо оптимізації методів, що використовуються у процесі обробки профілів експресії генів, з метою підвищення якості кластеризації об'єктів. Передобробку даних було виконано у програмному середовищі R з використанням пакету "Біокондуктор". Моделювання процесу кластеризації було зроблено у програмному середовищі KNIME з використанням функцій програми WEKA. Показано, що оптимальним є процес передобробки даних з використанням методів: фонової корекції rma за методом, квантільної нормалізації, mas РМ корекції і сумарізації за mas методом. Результати моделювання показали високу ефективність використання для даного типу даних алгоритму кластеризації Sota. Висновки: проведені дослідження показали, що підвищення якості розподілу об'єктів біологічної природи на кластери можливо за рахунок гібридизації та оптимізації використання методів і алгоритмів на різних етапах обробки даних. | ||
| 4. | 
Babichev S. A. Application of entropy criterion for an estimating of quality of DNA microarray data normalization [Електронний ресурс] / S. A. Babichev // Системні технології. - 2013. - Вип. 6. - С. 3-10. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2013_6_3 | ||
| 5. | 
Babichev S. Hybrid model of inductive clustering system of high-dimensional data based on the sota algorithm [Електронний ресурс] / S. Babichev, V. Lytvynenko, M. А. Taif, А. Sharko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2016. - № 843. - С. 173-179. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2016_843_24 Запропоновано модель системи кластеризації високорозмірних даних на основі комплексного використання самоорганізуючого алгоритму СОТА і методів індуктивного моделювання складних систем. Якість кластеризації оцінюється на двох рівнопотужних підмножинах із використанням комплексного критерію балансу, у якому враховані як зміщення центрів мас відповідних кластерів різних підмножин, так і розподіл об'єктів у відповідних кластерах відносно центра мас. Для кластеризації об'єктів на кожній з підмножин запропоновано використовувати алгоритм СОТА, який є типом самоорганізуючих нейронних мереж на базі карт Кохонена та алгоритму вирощування просторової клітинної структури Fritzke. | ||
| 6. |
Babichev S. A. Objective clustering inductive technology of gene expression sequenses [Електронний ресурс] / S. A. Babichev // Системні технології. - 2016. - Вип. 6. - С. 3-20. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2016_6_3 Наведено технологію об'єктивної кластеризації послідовностей експресій генів на основі використання індуктивних методів аналізу складних систем. Об'єктивність кластеризації досягається за рахунок паралельної кластеризації даних з використанням двох рівнопотужніх підмножин, що містять однакову кількість попарно близьких об'єктів. Якість кластеризації даних на кожній підмножині оцінюється з використанням внутрішніх та зовнішніх критеріїв оцінки якості кластеризації, що враховують як характер розподілу об'єктів в середині окремих кластерів, так і характер розподілу кластерів у просторі ознак.Мета дослідження - розробка індуктивної технології об'єктивної кластеризації профілів експресій генів на основі самоорганізуючого алгоритму кластеризації SOTA. Індуктивні методи аналізу складних систем було використано як базову основу під час створення індуктивної технології об'єктивної кластеризації профілів експресій генів. Оптимальні параметри роботи алгоритму кластеризації визначалися на основі комплексного використання внутрішніх і зовнішніх критеріїв якості кластеризації та комплексного критерію балансу. Наведено архітектуру індуктивної технології об'єктивної кластеризації на основі алгоритму кластеризації СОТА та покрокову процедуру її реалізації. У процесі моделювання було одержано графікі залежності внутрішніх, зовнішніх і комплексного критерію балансу від параметрів роботи алгоритму кластеризації, аналіз яких надає змогу визначити оптимальні параметри роботи алгоритму кластеризації. Висновки: одержані результати моделювання показали високу ефективність запропонованої технології. У випадку обробки профілів експресій генів дана технологія створює умови для реалізації покрокової кластер-бікластер технології групування даних на ранньому етапі реконструкції генної регуляторної мережі. | ||
| 7. |
Babichev S. Implementation of dbscan clustering algorithm within the framework of the objective clustering inductive technology based on r and knime tools [Електронний ресурс] / S. Babichev, S. Vyshemyrska, V. Lytvynenko // Радіоелектроніка, інформатика, управління. - 2019. - № 1. - С. 77-88. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2019_1_10 Досліджено проблему кластеризації складних даних у межах індуктивної технології об'єктивної кластеризації. Зроблено практичну реалізацію запропонованої гібридної моделі кластеризації даних на основі комплексного застосування програмних засобів R і KNIME. Об'єкт дослідження - гібридна модель кластеризації даних на основі комплексного застосування алгоритму кластеризації DBSCAN і індуктивної технології об'єктивної кластеризації. Мета роботи - створення гібридної моделі об'єктивної кластеризації на основі алгоритму кластеризації DBSCAN та практична реалізація моделі на основі комплексного застосування програмних засобів R і KNIME. Індуктивні методи моделювання складних систем було використано як основу для визначення оптимальних параметрів алгоритму кластеризації DBSCAN в межах індуктивної технології об'єктивної кластеризації. Практична реалізація даної технології передбачає: застосування рівнопотужніх підмножин даних, які містять однакову кількість попарно близьких об'єктів; розрахунок внутрішнього та зовнішнього критеріїв якості кластеризації; розрахунок комплексного критерія балансу, максимальне значення якого відповідає найкращій кластеризації з точки зору критеріїв, що використовуються. Реалізація процесу визначення оптимальних параметрів алгоритму DBSCAN передбачає два етапи. Першим етапом є визначення оптимального значення параметра EPS в межах діапазону зміни значень параметру minPts. Результатом реалізації даного етапу є одержання діаграм залежності комплексного критерію балансу від відповідних значень EPS для кожного значення minPts. Проведено аналіз одержаних проміжних результатів для визначення оптимального рішення, що відповідає максимальному значенню комплексного критерію балансу залежно від мети поставленої задачі. Розроблено гібридну модель індуктивної технології об'єктивної кластеризації на основі алгоритму DBSCAN, яка практично реалізована на основі програмних засобів KNIME R. Виконано оцінку ефективності моделі з використанням різних типів даних: низькорозмірних даних школи обчислень університету східної Фінляндії; ірисів Фішера; профілів експресії генів пацієнтів, які досліджувалися на рак легенів. Результати моделювання показали високу ефективність запропонованої технології. Досліджені об'єкти було розподілено у кластери коректно в усіх випадках. Запропонований метод надає змогу зменшити значення похибки відтворюваності, оскільки остаточне рішення щодо визначення оптимальних параметрів алгоритму кластеризації приймається на основі паралельного аналізу результатів кластеризації, одержаних на рівнопотужніх підмножинах даних, так і на основі аналізу різниці результатів кластеризації, одержаних на даних підмножинах. | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |