ارائه یک الگوریتم K-means بهبودیافته به کمک مفاهیم پاداش
محل انتشار: یازدهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,436
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE11_094
تاریخ نمایه سازی: 15 اسفند 1386
چکیده مقاله:
خوشهبندی یک روش دستهبندیکردن داده براساس شباهت میباشد . الگوریتم خوشهبندی K-means نسبت به نویز بسیار حساس است زیرا که میزان تاثیر نویز و داده های واقعی، یکسان می باشد و این برمحاسبات خوشه ها و مراکز آن ها تاثیرگذار است و دقت آن ها را کاهش می دهد. در نتیجه این الگوریتم در محیط هایی که مستعد نویز هستند غیرقابل اعمال بوده و در صورت اعمال ، نتایج آن قابل اعتماد نیست . ازطرفی K-means بسیار ساده و دارای سرعت بالایی می باشد . روش پیشنهادی ماازاین الگوریتم در محیطهایی که مستعد تولید مقدار قابل توجهی نویز و برون هشت است استفاده کرده و با دقت بالایی عمل خوشه بندی را انجام دهد . با استفاده ازیک الگوریتمK-means وزن گذاری شده چندسطحی که این وزن ، میزان اعتباروخوش نامی منبع تولیدکننده آن داده است، اثرنویزراکم ودربرخی موارد این اثرراکامل حذف می نماید . الگوریتم پیشنهادی، اولین الگوریتم بهبودیافته K-means می باشد که بادرنظرگرفتن میزان شهرت و خوش نامی منبع تولیدکننده داده به عنوان یک معیار اعتمادودرستی داده، عمل می کند و درنتیجه داده های نویزدار و غیرقابل اعتماد را ازهمان ابتداوارد محاسبات الگوریتم ن می کند وبه میزان قابل توجهی ازسربارهای محاسباتی الگوریتم کاسته شده ودرنهایت درافزایش سرعت الگوریتم تاثیرگذاراست . نتایج شبیه دهد .
کلیدواژه ها:
نویسندگان
زهرا تقی خاکی
گروه کامپیوتر دانشگاه علم و صنعت ایران
بهروز مینایی
گروه کامپیوتر دانشگاه علم و صنعت ایران
علیرضا معصوم
گروه کامپیوتر دانشگاه علم و صنعت ایران
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 :