Resumen

Con el desarrollo de Internet de Todo, como Internet de las Cosas, Internet de las Personas e Internet Industrial, se estn generando grandes volmenes de datos. La agrupacin es una tcnica muy utilizada para el anlisis y la minera de big data. Sin embargo, la mayora de los algoritmos actuales no son eficaces para agrupar los datos heterogneos que prevalecen en los big data. En este artculo, proponemos un algoritmo CFS de alto orden (HOCFS) para agrupar datos heterogneos combinando el algoritmo de agrupacin CFS y el modelo de aprendizaje profundo de abandono, cuya funcionalidad se basa en tres pilares: (i) un modelo de aprendizaje profundo de abandono adaptativo para aprender caractersticas de cada tipo de datos, (ii) un modelo tensorial de caractersticas para capturar las correlaciones de datos heterogneos, y (iii) un algoritmo CFS de alto orden basado en la distancia tensorial para agrupar datos heterogneos. Adems, verificamos nuestro algoritmo propuesto en diferentes conjuntos de datos, comparndolo con otros dos esquemas de agrupacin, es decir, HOPCM y CFS. Los resultados confirman la eficacia del algoritmo propuesto para agrupar datos heterogneos.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Internet de todo; Big data; Agrupación; Datos heterogéneos; Algoritmo CFS; Aprendizaje profundo
• Keywords:Internet of everything; Big data; Clustering; Heterogeneous data; CFS algorithm; Deep learning