K-means algorithm is one of the most popular and widely used clustering method because it is easy to implement and very efficient. However, this method has the limitation to be used with fixed number of clusters because of only considering the intra-cluster distance to evaluate the data clustering solutions. Silhouette is useful and stable valid index to decide the data clustering solution with number of clusters to consider the intra and inter cluster distance for unsupervised data. However, this valid index has high computational burden because of considering quality measure for each data object. The objective of this paper is to propose the fast and simple speed-up method to overcome this limitation to use silhouette for the effective large-scale data clustering. In the first step, the proposed method calculates and saves the distance for each data once. In the second step, this distance matrix is used to calculate the relative distance rate (Vｊ) of each data j and this rate is used to choose the suitable number of clusters without much computation time. In the third step, the proposed efficient heuristic algorithm (Group search optimization, GSO, in this paper) can search the global optimum with saving computational capacity with good initial solutions using Vｊ probabilistically for the data clustering. The performance of our proposed method is validated to save significantly computation time against the original silhouette only using Ruspini, Iris, Wine and Breast cancer in UCI machine learning repository datasets by experiment and analysis. Especially, the performance of our proposed method is much better than previous method for the larger size of data.

Data clustering is one of the most difficult and challenging problems and can be formally considered as a particular kind of NP-hard grouping problems. The K-means algorithm is one of the most popular and widely used clustering method because it is easy to implement and very efficient. However, it has high possibility to trap in local optimum and high variation of solutions with different initials for the large data set. Therefore, we need study efficient computational intelligence method to find the global optimal solution in data clustering problem within limited computational time. The objective of this paper is to propose a combined artificial bee colony (CABC) with K-means for initialization and finalization to find optimal solution that is effective on data clustering optimization problem. The artificial bee colony (ABC) is an algorithm motivated by the intelligent behavior exhibited by honeybees when searching for food. The performance of ABC is better than or similar to other population-based algorithms with the added advantage of employing fewer control parameters. Our proposed CABC method is able to provide near optimal solution within reasonable time to balance the converged and diversified searches. In this paper, the experiment and analysis of clustering problems demonstrate that CABC is a competitive approach comparing to previous partitioning approaches in satisfactory results with respect to solution quality. We validate the performance of CABC using Iris, Wine, Glass, Vowel, and Cloud UCI machine learning repository datasets comparing to previous studies by experiment and analysis. Our proposed KABCK (K-means+ABC+K-means) is better than ABCK (ABC+K-means), KABC (K-means+ABC), ABC, and K-means in our simulations.

Data clustering determines a group of patterns using similarity measure in a dataset and is one of the most important and difficult technique in data mining. Clustering can be formally considered as a particular kind of NP-hard grouping problem. K-means algorithm which is popular and efficient, is sensitive for initialization and has the possibility to be stuck in local optimum because of hill climbing clustering method. This method is also not computationally feasible in practice, especially for large datasets and large number of clusters. Therefore, we need a robust and efficient clustering algorithm to find the global optimum (not local optimum) especially when much data is collected from many IoT (Internet of Things) devices in these days. The objective of this paper is to propose new Hybrid Simulated Annealing (HSA) which is combined simulated annealing with K-means for non-hierarchical clustering of big data. Simulated annealing (SA) is useful for diversified search in large search space and K-means is useful for converged search in predetermined search space. Our proposed method can balance the intensification and diversification to find the global optimal solution in big data clustering. The performance of HSA is validated using Iris, Wine, Glass, and Vowel UCI machine learning repository datasets comparing to previous studies by experiment and analysis. Our proposed KSAK (K-means+SA+K-means) and SAK (SA+K-means) are better than KSA(K-means+SA), SA, and K-means in our simulations. Our method has significantly improved accuracy and efficiency to find the global optimal data clustering solution for complex, real time, and costly data mining process.

기존의 면진 기술을 일반건물에 적용하기 위해서는 낮은 가격과 낮은 무게로 면진 탄성받침 이 제작 및 공급되어야 할 필요가 있다. 이에 본 논문에서는 일반건물에 면진 기술을 적용하기 위한 방법으로 기존의 적층고무 면진 탄성받침에 철판을 대체하여 섬유로 보강하고, 고무와 섬유의 층으로 구성된 스트립형의 면진 탄성받침을 제안하였다. 또한 제안한 섬유보강 면진 탄성받침을 설계 및 제작하여 수직실험과 수평실험을 수행하여 그 성능을 검증하였다. 따라서, 스트립형의 면진 탄성받침이 제작가능하며, 필요한 크기로 절단이 가능함을 보였다. 또한 수평 실험 수직 실험을 통하여 기존의 적층고무 면진 탄성받침을 대체하여 사용할 수 있음을 보였다. 이 연구결과로 인해 스트립형의 섬유보강 면진 탄성받침이 저가건물에 널리 사용될 수 있을 것으로 기대된다.

면진베어링으로 기존에 사용되고 있는 철판보강 면진베어링에서 철판을 섬유로 대체하여 섬유보강 면진베어링을 설계 및 제작하였다. 섬유면진보강베어링의 특성을 파악하기 위해서 철판보강 면진베어링과 섬유보강 면진베어링에 대해 수평실험과 압축실험을 수행하였다. 시험결과 섬유보강 면진베어링의 유효 감쇠는 천연고무 면진베어링에 비해서 높았다. 이 결과는 지진하중하에서 섬유보강 면진베어링은 에너지 분산능력이 뛰어나다는 것을 의미한다. 이 연구결과로 인해 섬유보강 면진베어링이 저가건물에 널리 사용될 수 있을 것으로 기대된다.

본 논문에서는 비선형 추계적 구조시스템의 지진에 대한 동적응답 해석방법을 제안하였다. 부분구조합성법에 기초한 섭동법을 응용하여 지진외력에 의한 불규칙진동의 시간응답과 주파수응답 해석과정을 정식화하였다. 이 방법에서는 대형 .동적 시스템의 지배방정식인 비선형 미분방정식을 몇 개의 비선형 모달방정식으로 근사 변환한다. 각 분계는 비선형 복원력항을 모드좌표로 근사변환함으로써 선형화하여 합성되어진다. 모드좌표에서 섭동법을 이용하여 비선형 운동방정식의 불규칙 진동에 대한 해를 구함으로 해석과정이 축소되어진다. 제안된 방법의 적합성과 유효성을 평가하기 위하여 비선형성을 가진 기계구조 시스템을 해석하였다. 이 해석결과는 불규칙 진동 응답을 해석하는데 유효한 접근방법으로 판단되며 내진 설계에 기여할 것으로 예상된다.

본 연구의 목적은 데이터 클러스터링을 활용해 기존의 플레이어 유형 이론을 비교하고 검증 하는 것이다. 연구 진행을 위해 A 대학교 2016년 2학기에 진행된 초대형 강의 수강생의 결과 데이터 235개를 활용했다. 본 연구에서는 K-평균(Means)과 적절한 클러스터 수를 결정하기 위 해 실루엣(Silhouette) 평가기법을 적용했다. 적용한 플레이어 유형은 바틀의 2차원, 3차원 플레 이어 유형, Ferro의 5 가지 유형, 브레인헥스이다. 연구결과에 따르면, 바틀의 2차원 플레이어 유형이 데이터 클러스터링 관점에서 가장 적합한 것으로 나타났다. 각 플레이어 유형 별 특성 분포도 해석했다. 본 연구결과는 게이미피케이션을 적용하거나 개발 프로세스를 연구할 때 사 용되는 플레이어 분석 부분에 영향을 미칠 것으로 예상된다.