Об'єкт дослідження - процес динамічної кластеризації лінійно неподільних експериментальних даних з різними характеристиками. Предмет дослідження - методи і моделі динамічної кластеризації лінійно неподільних експериментальних даних з різними характеристиками. Методи дослідження. У роботі використовувалися різні методи кластеризації та роботи з графами, моделювання для розробки математичної моделі вибору найкращого методу для кластеризації вибірок на підставі характеристик вхідних даних. Практична цінність отриманих результатів. Практична цінність роботи полягає в наступному: а) створена модель вибору k для алгоритму k-найближчих сусідів, заснована на характеристиках даних для подальшого застосування в рамках алгоритму Хамелеон; б) створена модель залежності якості кластеризації складних лінійно неподільних защумленних даних від характеристик даних і алгоритмів динамічної кластеризації. КЛАСТЕРИЗАЦIЯ, АЛГОРИТМ ХАМЕЛЕОН, ПОБУДОВА ГРАФА, ЗВ'ЯЗНІСТЬ, K-НАЙБЛИЖЧИХ СУСІДIВ. Object of research - dynamic clustering process lineynonerazdelimyh experimental data with different characteristics. Subject of research - methods and models of dynamic clustering lineynonerazdelimyh experimental data with different characteristics. Research methods. We used various clustering methods and work with graphs, modeling for the development of a mathematical model of choosing the best method for clustering of samples based on the characteristics of the input data. The practical value of the results. The practical value of the work lies in the following: а) а model selection algorithm for k k-nearest neighbors based on the characteristics of the data for further use within the Chameleon algorithm; б) established a model depending on the quality of clustering complex lineynonerazdelimyh zaschumlennyh data on the characteristics of data and dynamic clustering algorithms. CLUSTERING, CHAMELEON ALGORITHM, GRAPH CONSTRUCTION, CONNECTIVITY, K-NEAREST NEIGHBORS.
