ارائه روشی ترکیبی جهت خوشه بندی داده ها با استفاده از الگوریتم های k-means، ژنتیک و PSO
محل انتشار: هفتمین کنفرانس بین المللی فناوری اطلاعات و دانش
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,690
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIKT07_014
تاریخ نمایه سازی: 22 مهر 1394
چکیده مقاله:
خوشه بندی یکی از مهمترین مسائل یادگیری بدون نظارت و همچنین از رایج ترین تکنیک های داده کاوی است، که برای کلاس بندی مجموعه های داده ای به زیرمجموعه های مشخص به کار می رود. الگوریتم k-means نیز یکی از مشهورترین الگوریتم های خوشه بندی با پیاده سازی آسان و عملکرد سریع می باشد. اما حساس بودن به مراکز خوشه اولیه سبب می شود تنها بتواند یک پاسخ بهینه محلی تولید کند. در این پژوهش راهکاری پیشنهاد شده است که با ترکیب روش خوشه بندی k-means با دو الگوریتم ژنتیک و بهینه سازی گروهی ذرات دقت خوشه بندی را بهبود بخشیده و از افتادن در دام بهینه محلی جلوگیری نماید برای ارزیابی الگوریتم خوشه بندی ارائه شده از سه مجموعه داده ی واقعی و استاندارد Wine، Iris و CMC استفاده شده و با روش های خوشه بندی k-means ژنتیک، بهینه سازی گروهی ذرات و الگوریتم های خوشه بندی فرااکتشافی و ترکیبی استخراجی از مقالات مقایسه شده است. نتایج مقایسه ها حاکی از آن است که کارایی الگوریتم ترکیبی پیشنهادی نسبت به سایر روش ها بهتر می باشد و این روش تا حد زیادی توانسته مشکلات سه الگوریتم به کار رفته در پیاده سازی آن را پوشش دهد.
کلیدواژه ها:
نویسندگان
ناهید سلیمی
دانش آموخته کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ملایر
وحید رفیع
استادیار گروه مهندسی کامپیوتر، دانشگاه اراک
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 :