ГИБРИДНЫЙ ПОДХОД МЕТОДОВ GMM И K-MEANS В ОПТИМАЛЬНОЙ СЕГМЕНТАЦИИ ПРОМЫШЛЕННЫХ ОТРАСЛЕЙ
DOI:
https://doi.org/10.60078/3060-4842-2025-vol2-iss5-pp830-839Аннотация
В статье рассматривается вопрос о том, что сегментация при оптимизации работы отраслей промышленности является одной из актуальных тем на сегодняшний день, и представлен комплексный обзор аналитических обзоров модели GMM и метода K-средних в сегментации. Проведен сравнительный анализ методов K-средних и GMM в сегментации. В направлении «Блок-схемы» обобщения методов GMM и K-средних разработаны алгоритм «Новый метод GMM» и алгоритм реализации усовершенствованной гибридной модели сегментации (HSM). Даны выводы и предложения по гибридному подходу к оптимальной сегментации отраслей промышленности
Ключевые слова:
промышленные отрасли оптимальный сегментация кластеризация метод K-средних метод GMM (модель смеси Гаусса) блок-схема алгоритм итерация адаптация интеграция ковариация гибридная модельБиблиографические ссылки
Antropov V.V. (2017) Application of k-means and g-means clustering algorithms in objects recognition. International Research Journal, No. 07 (61), Part 3. – p-6-9.
Baid U. et al. (2017) Comparative Study of K-means, Gaussian Mixture Model, Fuzzy C-means algorithms for Brain Tumor Segmentation. Atlantis Press. Vol. 137, – pp-592-597.
Eva Patel et al. (2020) Clustering Cloud Workloads: K-Means vs Gaussian Mixture Model. Procedia Computer Science 171. 158–167.
Guledgudd T. et al. (2024) A Comparative Study of K-Means, GMM, SVM, and Random Forest for Enhancing Machine Learning in Leukemia Diagnosis. Afr. J. Biomed. Res. Vol. 27(4s) (November); 4257-4268.
Haifei Peng et al. (2024) Multi-modal hybrid modeling strategy based on Gaussian Mixture Variational Autoencoder and spatial–temporal attention: Application to industrial process prediction. Chemometrics and Intelligent Laboratory Systems. Volume 244, 105029 / https://doi.org/10.1016/j.chemolab.2023.105029.
Iman A.A. et al. (2023) A comparative study of Gaussian mixture algorithm and K-means algorithm for efficient energy clustering in MWSN. Bulletin of Electrical Engineering and Informatics, Vol. 12, No. 6, December, pp. 3727-3735, DOI: 10.11591/eei.v12i6.5707.
Jurg L., Dennis F. (2019) k-means as a variational EM approximation of Gaussian mixture models. Pattern Recognition Letters.vol-5. -p-1-14. https://doi.org/10.1016/j.patrec.2019.04.001.
Kodamana Zh.H., Afacan A. (2019) A GMM-MRF Based Image Segmentation approach for Interface Level Estimation. IFAC-PapersOnLine Volume 52, Issue 1, Pages 28-33 / https://doi.org/10.1016/j.ifacol. 2019.06.061.
Pахимов А., Эшонқулов Ж. (2022) Саноат корхоналарида ишлаб чиқаришнинг иқтисодий қувватини ошириш механизми //Iqtisodiyot va taʼlim. – Т. 23. – №. 6. – С. 390-395.
Rakhimov A., Ravshanova M., Alieva M. (2023) Econometric analysis of increasing efficiency of industrial enterprises //E3S Web of Conferences. – EDP Sciences, – Т. 458. – С. 04004.
Raximov A.N. (2024) Sanoat tarmoqlarining milliy iqtisodiyot barqarorligini ta ‘milashdagi roli va rivojlantirish siyosati //Spanish Journal of Innovation and Integrity. – С. 150-156.
Saheed Y.K. et al. (2022) An Efficient Hybridization of K-Means and Genetic Algorithm Based on Support Vector Machine for Cyber Intrusion Detection System. International Journal on Electrical Engineering and Informatics - Volume 14, Number 2, June. – pp-426-442 / https://www.ijeei.org/docs-33491964362d2da 315e476.pdf.
Turruellas J.C. (2024) Understanding Gaussian Mixture Models: A Comprehensive Guide. Building & Telling Stories. https://www.linkedin. com/in/juancolamendy.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
