Формування кластерів трудових мігрантів за ступенем ризику інфікування вірусом імунодефіциту

Автор(и)

  • Oksana Mulesa ДВНЗ "Ужгородський національний університет", пл. Народна, 3, м. Ужгород, Україна, 88000, Україна
  • Vitaliy Snytyuk Київський національний університет імені Тараса Шевченка вул. Володимирська, 60, м. Київ, Україна, 01601, Україна https://orcid.org/0000-0002-9954-8767
  • Ivan Myronyuk Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000 Закарпатський центр профілактики та боротьби із СНІДом вул. Другетів, 72, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0003-4203-4447

DOI:

https://doi.org/10.15587/1729-4061.2016.71203

Ключові слова:

еволюційна кластеризація, група трудових мігрантів, ризик інфікування вірусом імунодефіциту людини

Анотація

Розглядається задача формування підгруп за ступенем ризику інфікування вірусом імунодефіциту у групі трудових мігрантів, як задача кластеризації. Побудовано математичну модель задачі кластеризації та виконано адаптацію методу еволюційної кластеризації об’єктів до визначення груп трудових мігрантів. Здійснено розбиття групи трудових мігрантів на кластери відповідно до ступеня ризику інфікування вірусом імунодефіциту.

Біографії авторів

Oksana Mulesa, ДВНЗ "Ужгородський національний університет", пл. Народна, 3, м. Ужгород, Україна, 88000

Кандидат технічних наук, доцент

Кафедра кібернетики і прикладної математики

Vitaliy Snytyuk, Київський національний університет імені Тараса Шевченка вул. Володимирська, 60, м. Київ, Україна, 01601

Доктор технічних наук, професор, завідувач кафедри

Кафедра інтелектуальних інформаційних систем

Ivan Myronyuk, Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000 Закарпатський центр профілактики та боротьби із СНІДом вул. Другетів, 72, м. Ужгород, Україна, 88000

Кандидат медичних наук, доцент

головний лікар

Посилання

  1. HIV infection in Ukraine: Information Bulletin number 44 (2015). Health of Ukraine, Eng. control center for the socially dangerous diseases. Kyiv, 37.
  2. Harmonised Ukraine report on progress in the implementation of the national response to the AIDS epidemic. Reporting period (2012). Ministry of Health of Ukraine, 243.
  3. Grushetsky, A. (2012). Monitoring of behavior and HIV prevalence among commercial sex workers as surveillance component of the second generation analytical report on the results of bio-behavioral studies 2011. "International Alliance HIV/AIDS Alliance in Ukraine". Kyiv, 120.
  4. Bejan, A. B. (2015). Standards program correcting deviant behavior of adolescents aged 14–18 years who have experience of substance use. Kyiv, 180.
  5. Myronyuk, I. S., Slabkiy, G. A. (2012). Regional high risk of HIV infection in Transcarpathia is workers. Ukraine. Health of the Nation, 3 (23), 201–205.
  6. Mulesa, O. Yu. (2013). Information technologies of quantitative evaluation of risk groups of human immunodeficiency virus infection. Eastern-European Journal of Enterprise Technologies, 5/4 (65), 10–15. Available at: http://journals.uran.ua/eejet/article/view/18327/16087
  7. Gorban, A. N, Zinovyev, A. Yu. (2002). Method of Elastic Maps and its Applications in Data Visualization and Data Modelling. Int. Journal of Computing Anticipatory Systems, CHAOS, 12, 353–369.
  8. Snytyuk, V. (2005). Evolutionary clustering of complex objects and processes. Vol. 1. XI–th International Conference «Knowledge–Dialogue–Solution», 232–237.
  9. Baturkin, S. A., Baturkina, E. Yu., Zimenko, V. A., Sihinov, Y. V. (2010). Statistical data clustering algorithms in adaptive learning systems. Vestnyk RHRTU, 1 (31), 82–85.
  10. Fukunaha, K. (1979). Introduction to statistical pattern recognition theory. Moscow: Nauka. Hlavnaia redaktsyia fyzyko–matematycheskoi lyteratury, 368.
  11. Tsekouras, G. E., Tsimikas, J. (2013). On training RBF neural networks using input–output fuzzy clustering and particle swarm optimization. Fuzzy Sets and Systems, 221, 65–89. doi: 10.1016/j.fss.2012.10.004
  12. Horbachenko, V. Y. (2013). Networks and Kohonen maps. Available at: http://gorbachenko.self-organization.ru/articles/Self-organizing_map.pdf
  13. Mundhada, M. R., Nimje, A. R. (2015). Record Linkage in Various Types of Clustering Tree By using K–means Clustering Algorithm. National Conference “CONVERGENCE“, 28.
  14. Smeshko, Yu. V. (2012). On a criterion to select the exponential weight classification algorithm of fuzzy C–means. Molodezh y nauk, Krasnoyarsk, 19–25.
  15. Mulesa, O. (2015). Adaptation of fuzzy c-means method for determination the structure of social groups. Technology Audit and production reserves, 2 (2 (22)), 73–76. doi: 10.15587/2312-8372.2015.41014
  16. Santi, É., Aloise, D., Blanchard, S. J. (2016). A model for clustering data from heterogeneous dissimilarities. European Journal of Operational Research, 253 (3), 659–672. doi: 10.1016/j.ejor.2016.03.033
  17. De Oliveira, R. M., Nogueira Lorena, L. A., Chaves, A. A., Mauri, G. R. (2014). Hybrid heuristics based on column generation with path-relinking for clustering problems. Expert Systems with Applications, 41 (11), 5277–5284. doi: 10.1016/j.eswa.2014.03.008
  18. Bakoben, M., Bellotti, A., Adams, N. (2016). Improving clustering performance by incorporating uncertainty. Pattern Recognition Letters, 77, 28–34. doi: 10.1016/j.patrec.2016.03.004
  19. Wu, C.-H., Lai, C.-C., Chen, C.-Y., Chen, Y.-H. (2015). Automated clustering by support vector machines with a local-search strategy and its application to image segmentation. Optik - International Journal for Light and Electron Optics, 126 (24), 4964–4970. doi: 10.1016/j.ijleo.2015.09.143
  20. Carrizosa, E., Nogales-Gómez, A., Morales, D. R. (2016). Clustering categories in support vector machines. Omega. doi: 10.1016/j.omega.2016.01.008

##submission.downloads##

Опубліковано

2016-06-21

Як цитувати

Mulesa, O., Snytyuk, V., & Myronyuk, I. (2016). Формування кластерів трудових мігрантів за ступенем ризику інфікування вірусом імунодефіциту. Eastern-European Journal of Enterprise Technologies, 3(4(81), 50–55. https://doi.org/10.15587/1729-4061.2016.71203

Номер

Том 3 № 4(81) (2016): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2016 Oksana Mulesa, Vitaliy Snytyuk, Ivan Myronyuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.