وزن دهی خوشه های اولیه در مجمع به کمک الگوریتم های مکاشفه ای

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 537

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMCONF01_023

تاریخ نمایه سازی: 8 آذر 1394

چکیده مقاله:

خوشه بندی اطلاعات به معنی افراز کردن نمونه ها در خوشه های شبیه به هم می باشد؛ بطوریکه نمونه های هر خوشه حداکثر تشابه را با یکدیگر و حداکثر فاصله را با نمونه های خوشه های دیگر داشته باشند. به علت بدون ناظر بودن مسئله خوشه بندی انتخاب یک الگوریتم خاص جهت خوشه بندی یک مجموعه ناشناس امری پر خطر و معمولا شکست خورده م یباشد. به خاطر پیچیدگی مسئله و ضعف روش های خوشه بندی پایه، امروزه اکثر مطالعات به سمت روش های خوشه بندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهم ترین عواملی است که می تواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشه بندی ترکیبی مورد توجه قرار گرفته اند. در اینجا یک چارچوب جدید برای بهبود کارایی خوشه بندی ترکیبی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه ای از خوشه های اولیه می باشند. انتخاب این زیرمجموعه نقش حیاتی در کارایی مجمع دارد. این انتخاب به کمک دو روش هوشمند انجام میگیرد. ایده های اصلی در رو شهای پیشنهادی برای انتخاب زیرمجموعه ای از خوشه ها، استفاده از خوشه های پایدار به کمک الگوریتمهای جستجوی هوشمند می باشند. برای ارزیابی خوشه ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است

نویسندگان

جعفر پرتابیان

دانشگاه آزاد اسلامی واحد لامرد گروه کامپیوتر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • عظیمی ج.، (386 ا)، بررسی پراکندگی در خوشه‌بندی ترکیبی، پایان ...
  • _ _ _ _ _ IEEE Trans. on 14. علیزاده ...
  • Jain A., Murty M. N., and Flynn P. (1999), Data ...
  • Faceli K., Marcilio C.P Souto d. (2006), Multi-obj ective Clustering ...
  • Fred A. and Jain A.K (2006), Learning Pairwise Similarity for ...
  • Duda R.O., Hart P.E., and Stork D.G. (2001), Patter Classification, ...
  • Man Y. and Gath I. (1994), Detection and Separation of ...
  • نمایش کامل مراجع