IntroductionThe data clustering is

Introduction
The data clustering is identified as one of the major problems in data mining.
Popularity and different variations linked to the clustering problem [1], have
given birth to a several methods of resolution. These methods can both use
heuristic or mathematics principles. In this paper we are interested by the clustering methods which use topological maps. These methods have the advantage
to propose both visualization tools and unsupervised clustering of different types
of data (continuous and binary). The basic model proposed by Kohonen, is solely
used for continuous data. Extensions and reformulations of Kohonen model have
been proposed in the literature [2, 3]. In learning topological maps process, quality criterion are very difficult to define ; They revolve around the interpretation
of different mergers or obtained cluster. In this paper we study the the automatic clustering algorithm of the topological map. We find in literature several
methods to cluster self-organizinge map, all of these use hierarchical clustering or
K-mean combined with a quality index to find the good partition [4]. Thus, we
introduce a new similarity measure dedicated to topological map combined with
hierarchical clustering algorithm which will be applied to the referent vectors.
In this paper we introduce a new hierarchical method named AntTree defined
by [5] which is inspired from real ants and their ability to connect themselves to
build complex structures.

Kết quả (Việt) 1:

Giới thiệuDữ liệu cụm được xác định là một trong những vấn đề lớn trong khai thác dữ liệu.Phổ biến và các biến thể khác nhau liên quan đến vấn đề kết cụm [1], cóđược sinh ra một số phương pháp giải quyết. Những phương pháp này cả hai có thể sử dụngnguyên tắc heuristic hoặc toán học. Trong bài báo này, chúng tôi đang quan tâm đến bằng các phương pháp kết cụm đó sử dụng bản đồ topo. Những phương pháp này có lợi thếđề xuất công cụ trực quan và không có giám sát clustering loại khác nhaudữ liệu (liên tục và nhị phân). Mô hình cơ bản được đưa ra bởi Kohonen, là chỉ duy nhấtđược sử dụng cho dữ liệu liên tục. Tiện ích mở rộng và reformulations của Kohonen mô hình cóđược đề xuất trong các tài liệu [2, 3]. Trong topo bản đồ quá trình học tập, tiêu chí chất lượng là rất khó khăn để xác định; Họ xoay quanh việc giải thíchkhác nhau hoặc cụm thu được. Trong bài này chúng tôi nghiên cứu các thuật toán kết cụm tự động của bản đồ topo. Chúng tôi tìm thấy trong văn học một sốphương pháp để cụm tự-organizinge bản đồ, tất cả các sử dụng phân cấp cụm hoặcK-có nghĩa là kết hợp với một chỉ số chất lượng để tìm phân vùng tốt [4]. Vì vậy, chúng tôigiới thiệu một biện pháp tương tự mới dành riêng cho topo bản đồ kết hợp vớiphân cấp thuật toán kết cụm đó sẽ được áp dụng cho các vectơ referent.Trong bài này chúng tôi giới thiệu một phương pháp phân cấp mới tên là AntTree được xác định[5] đó lấy cảm hứng từ kiến thực tế và khả năng của mình để kết nối mình đểxây dựng cấu trúc phức tạp.

Kết quả (Việt) 2:

Giới thiệu
Các cụm dữ liệu được xác định là một trong những vấn đề chính trong khai thác dữ liệu.
Popularity và các biến thể khác nhau liên quan đến vấn đề phân nhóm [1], đã
sinh cho một số phương pháp giải quyết. Những phương pháp này có thể sử dụng cả hai
nguyên tắc heuristic, hoặc toán học. Trong bài báo này, chúng tôi quan tâm bằng các phương pháp phân nhóm có sử dụng bản đồ topo. Những phương pháp này có lợi thế
để đề nghị cả hai công cụ trực quan và clustering không có giám sát của các loại khác nhau
của dữ liệu (liên tục và nhị phân). Mô hình cơ bản của Kohonen đề xuất, là chỉ
được sử dụng cho dữ liệu liên tục. Mở rộng và tái công của mô hình Kohonen đã
được đề xuất trong các tài liệu [2, 3]. Trong quá trình học tập bản đồ tô pô, tiêu chí chất lượng là rất khó khăn để xác định; Họ xoay quanh việc giải thích
các vụ sáp nhập khác nhau hoặc cụm thu được. Trong bài báo này, chúng tôi nghiên cứu các thuật toán phân nhóm tự động của bản đồ topo. Chúng tôi tìm thấy trong văn học một số
phương pháp để nhóm bản đồ tự organizinge, tất cả các sử dụng clustering phân cấp hoặc
K-mean kết hợp với một chỉ số chất lượng để tìm phân vùng tốt [4]. Vì vậy, chúng tôi
giới thiệu một biện pháp tương tự mới dành riêng cho đồ topo kết hợp với
thuật toán phân cụm phân cấp sẽ được áp dụng cho các vector referent.
Trong bài báo này chúng tôi giới thiệu một phương pháp phân cấp mới có tên AntTree định nghĩa
bởi [5] được lấy cảm hứng từ kiến thực sự và họ khả năng kết nối tự để
xây dựng cấu trúc phức tạp.