ورود
مقالات فارسیISIکنفرانسهاژورنالها

تبدیل فضای جدید مبتنی بر زیر خوشه ها در خوشه بندی طیفی

محل انتشار: شانزدهمین کنفرانس سالانه انجمن کامپیوتر ایران
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,320

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/133792

شناسه ملی سند علمی:

CSICC16_048

تاریخ نمایه سازی: 28 بهمن 1390

چکیده مقاله:

روشهای کلاسیک خوشه بندی دربرخورد با خوشه های نامحدب کارایی لازم را ندارند و عموما منجر به نتایج ضعیفی می شوند در این حالت خوشه بندی طیفی روشی قدرتمند برای دسته بندی داده ها محسوب میش ود این تکنیک با تبدیل فضای ورودی فضای جدیدی با قابلیت توصیف مناسب تر از داده ها را در اختیار ما قرار میدهد دراین مقاله فضایی جدید برای خوشه بندی طیفی معرفی می شود که مبتنی بر توصیف زیرخوشه های موجود در مجموعه داده می باشد این فضا در برابر داده های نویزی مقاوم است و درمقایسه با روش NJW به عنوان یکی از پرکاربردترین الگوریتمهای خوشه بندی طیفی منجر به نتایجی به مراتب موفقیت آمیزتر می شود.

کلیدواژه ها:

نویسندگان

سهیلا اشک زری طوسی

گروه کامپیوتر،دانشگاه فردوسی مشهد

هادی صدوقی یزدی

گروه کامپیوتر،دانشگاه فردوسی مشهد

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 :
  • دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، 17 تا 19 ...
  • دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، 17 تا 19 ...
  • Ng, A.Y., M. Jordan, and Y. Weiss, On spectral clustering: ...
  • J.B .Tenenbaum, V.deSilva, and J.C.Langford, A nonlinear ...
  • dimensionality reduction. Science, 2000. 290: p. 2319- 2323. ...
  • dimensionality reduction by locally linear embedding. Science, 2000. 290: p. ...
  • T.Zhang, et al. A unifying framework for spectral analysis based ...
  • Chung, F.R.K., Spectral Graph Theory. CBMS Regional Conference Series in ...
  • Miller, K.R., et al., An introduction to kernel- based learning ...
  • Scholkopf, B. and A.J. Smola, Learning with Kernels , Support ...
  • Scott, G.L. and H.C. Long uet-Higgins , Feature grouping by ...
  • Perona, P. and W.T. Freeman. A factorization approach to grouping. ...
  • Jianbo, S. and J. Malik, Normalized cuts and image segmentation. ...
  • B.Hendrickson and R.Leland, An improved spectral graph partitioning algorithm for ...
  • Pothen, A., .Graph partitioning algorithms with computing, Parallel ...
  • Numerical Algorithms. KIuwer, 1997. ...
  • Driessche, R.V. and D. Roose, An improved spectral bisection algorithm ...
  • Hagen, L. and A.B. Kahng, New spectral methods for ratio ...
  • Higham, D.J., G. Kalna, and M. Kibble, Spectral clustering and ...
  • Filippone, M., et al., A survey of kernel and spectral ...
  • Cristianini, N., J.S. Taylor, and J.S. Kandola. Spectral kernel methods ...
  • Weiss, Y. Segmentation using eigenvectors: a unifying view. in Computer ...
  • Dhillon, I.S., Y. Guan, and B. Kulis. Kernel k- means: ...
  • Scholkopf, B., A .Smol, and K.R. Muller, Nonlinear Component Analysis ...
  • TAX, D.M.J. and R.P.W. DUIN, Support vector data description. Machine ...
  • Ghazizadeh, M., H. Sadoghi-Yazdi, and M. Naghibzadeh, Shell fitting space ...
  • Zelnik-Manor, L. and P. Perona, Self-tuning spectral clustering. Advances in ...
    • نمایش کامل مراجع