پیش پردازش داده های ورودی الگوریتم های دسته بندی با ترکیب خوشه بندی فازی نوع اول و نوع دوم تعمیم یافته و K میانگین

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,074

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CESD01_143

تاریخ نمایه سازی: 25 اسفند 1392

چکیده مقاله:

اخیرا از الگوریتم های خوشه بندی در زمینه پیش پردازش داده ها برای دسته بندی استفاده می شود که می تواند باعث بهبود کارایی دسته بندی شود. این مقالهبا استفاده از ترکیب k-means و خوشه بندی فازی نوع اول ( FCM )، مراکز اولیه را برای الگوریتم خوشه بندی فازی نوع دوم تعمیم یافته فراهم می کندتا با تعداد تکرار کمتری بتواند به حداکثر دقت دست پیدا کند که نتیجه ی آن یک الگوریتم خوشه بندی سریع و با دقت بالا می باشدد. این الگدوریتم به اختصار KFGT2FCM نامگذاری شده است. داده های خام ابتدا به الگوریتم k-means اعمال شده و خوشه بندی می شوند. نرمالیزه شده ی فاصله ی هر داده تا مراکز بدست آمده، بعنوان درجه عضویت اولیه به FCM اعمال می شود . مراکز بدست آمده از FCM بعنوان مراکز اولیه خوشه بندی فازی نوع دوم تعمیم یافته استفاده می شوند. خروجی الگوریتم پیشنهادی، خوشه هایی را مشخص می کند که هر خوشه بسدته به وگونگی توزیع به یک الگدوریتم دسته بندی مناسب داده می شود. در نتیجه کارایی روش دسته بندی بهبود می یابد.

کلیدواژه ها:

دسته بندی ، خوشه بندی ، منطق فازی نوع دوم تعمیم یافته ، k میانگین ، پیش پردازش داده های ورودی

نویسندگان

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 :
  • Ting liu , Jurrus, E, Seyedhosseini, M., Ellisman, M., et. ...
  • Zhang Bin, Ma, Guorui, Zhang, Zhi, Qin, Qianqing, Region-based classification ...
  • Zhou Q. , Tong G. , Xie D. , Li ...
  • Garcia Bermudez, F.L., Julian, R.C., Haldane, D.W., Abbeel P., Performance ...
  • Nasrollahi P., Jafari S. , Ebrahimi, M., Action classification of ...
  • B., H.B., N., J.C., Hierarchical classification using a Competitive Neural ...
  • W. Yang , K. Wang , W. Zuo, Prediction of ...
  • Y., N, V. P., An efficient SVM based tumor classification ...
  • S., M., K., D.B., Emotional State Classification in Patient-Robot Interaction ...
  • W Cai ;S. Chen ;D. Zhang. A Multi-objective Simultaneous Learning ...
  • E. R., , Pfahringer, B., Holmes, G. Clustering for classification ...
  • A. Shahi, R. Binti Atan and M-D Nasir Sulaiman, An ...
  • Q. Liang and J. Mendel, Decision Feedback Equalizer for Nonlinear ...
  • G. Zhengetal, A Similarity Measure between Interval Type-2 Fuzzy Sets ...
  • Kimito Funatsu and Kiyoshi Hasegawa, New fundamental technologies in data ...
  • Rui Xu, Donald Wunsca _ Survey of Clustering Algorithms _ ...
  • _ _ of classifiers via fuzzy _ . Fuzzy Sets ...
  • _ _ Fuzzy C-Means Algorithm for Uncertain Fuzzy Clustering _ ...
  • A. Frank, A. Asuncion, UCI Machine Learming Repository [http:/rchive. ics.uci.edu/ml], ...
  • نمایش کامل مراجع