یافتن بهینه‌ترین تعداد خوشه‌ها در پایگاه تصویر با ترکیب شبکه‌های خودسازمان‌ده و روش k-means

تا کنون راهکار مناسبی جهت تعیین بهینه تعداد نرونهای لایه خروجی در شبکه های عصبی خودسازمانده و انتخاب بهینه ترین خوشه های نهایی ارائه نشده است .در این مقاله یک روش دو مرحله ای با ترکیب شبکه های خودسازمانده و روش k-means ارائه کرده ایم که مستقل از تعداد نرونهای لایه خروجی ، بهینه ترین تعداد خوشه ها را در یک پایگاه تصویر تعیین می کند . در مرحله اول ، ویژگیهای استخراج شده از تصاویر شامل هیستوگرام ناحیه ای ، تبدیل موجک Symlet و مومانهای رنگ را به یک شبکه خودسازمانده با توپولوژی دو بعدی در لایه خروجی نگاشت داده و در مرحله دوم با استفاده از روش K-means و بهره گیری از معیار اعتبار سنجی Davies-Bouldin ، بهینه ترین تعداد خوشه ها را مشخص کرده ایم . نتایج پیاده سازی روش پیشنهادی برای سه شبکه با تعداد نرونهای 10*10و15*15 و 20*20 در لایه خروجی و حداکثر 20 تکرار در K-means و مقایسه آن با روش k-means کلاسیک نشان داده است که این روش با قرار دادن تصاویر در 14 ،15 و 12 دسته ، تعداد بهینه خوشه های نهایی را مستقل از تعداد نرونهای لایه خروجی تعیین می کند و خطای خوشه بندی را به مقدار قابل توجهی کاهش می دهد.

کلیدواژه ها:

خوشه‌بندی ، داده‌های با ابعاد بالا ، شبکه‌های عصبی خود سازمان‌ده ، روش k-means ، معیارهای اعتبار‌سنجی