ترکیب بردارهای ویژه در حوزه KPCA به منظور خوشه بندی داده ها
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,319
فایل این مقاله در 8 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:
CSICC15_179
تاریخ نمایه سازی: 26 مهر 1388
چکیده مقاله:
خوشه بندی به عنوان یکی از تکنیکهای مهم در شناسایی الگو، پردازش تصویر و داده کاوی شناخته می شود. در فضاهایی با ابعادبالا به علت وجود وابستگیهای غیر خطی بین ویژگیها، الگوریتمهایخوشه بندی معمولا با شکست مواجه می شوند. برای مقابله با این مشکل عموما با انتقال فضا به حوزه ویژگی- با ابعاد بالا سعی در به دست آوردن ویژگیهایی مناسب تر برای توصیف داده می شود. در این مقاله سعی شده است تا با انتقال داده ها به فضای Kernel PCA به توصیف مناسب تری از داده ها دست یابیم و از خصوصیات این فضا برای خوشه بندی بهتر استفاده نماییم. برای این منظور، پس از استخراج ویژگیهای جدید در فضای متعامد KPCA به بررسی آنها پرداخته و ویژگیهای مناسب برای خوشه بندی را با انتساب وزن مناسب به آنها، انتخاب و ترکیب می نماییم و در انتها از روشی مبتنی بر رای گیری وزندار برای خوشه بندی داده ها استفاده می نماییم. نتایج آزمایشها بهبود مناسبی را در مقایسه با الگوریتمهای خوشه بندی فازی C- میانگین و K- میانگین نشان میدهد.
کلیدواژه ها:
نویسندگان
سهیلا اشک زری طوسی
دانشگاه فردوسی مشهد - گروه کامپیوتر
هادی صدوقی یزدی
دانشگاه فردوسی مشهد - 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 :