CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

خوشه بندی سری های زمانی به کمک الگوریتم بهینه سازی گرگ خاکستری

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۳۱۲ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: ICTCK02_063
زبان مقاله: فارسی
حجم فایل: ۷۱۷.۵۶ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله خوشه بندی سری های زمانی به کمک الگوریتم بهینه سازی گرگ خاکستری

  آتنا جلالی مجاهد - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
  مهرداد جلالی - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
  سیدمحمدحسین معطر - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

چکیده مقاله:

امروزه خوشه بندی سری های زمانی، در زمینه های متعددی مانند پزشکی و اقتصاد به دلیل کشف الگوهای پنهان وپیش بینی مقادیر آینده، بسیار حائز اهمیت است. اما سری های زمانی دارای ویژگی هایی مانند: حجم زیاد، ابعاد بالا ووابستگی زمانی بین داده ها می باشند که خوشه بندی آنها را با چالش هایی چون: انتخاب مدل مناسب، حل مسئلهمقداردهی اولیه مدل، تعیین خودکار تعداد خوشه ها و هزینه بالای محاسباتی مواجه میکند. از سوی دیگر، خوشه بندییک مسئله بهینه سازی نیز می باشد؛ اما روشهای سنتی خوشه بندی برای داده ها با ابعاد بالا، به دلیل پدیدار شدن زیادبهینه محلی، با مشکل همگرا شدن به این بهینه ها مواجه هستند. در این مقاله برای رفع معایب ذکر شده، الگوریتمخوشه بندی به نام «k مدل مبتنی بر مدل مخفی مارکوف» را با الگوریتم بهینه سازی گرگ خاکستری ترکیب نمودیم کارایی روش پیشنهادی را با اجرا بر روی چندین مجموعه داده سری های زمانی استاندارد، ارزیابی و با روشهای دیگرمانند روش ترکیب شده با الگوریتم ازدحام ذرات مقایسه نمودیم. نتایج نشان می دهد که روش پیشنهادی به دلیلوابسته نبودن به مقادیر اولیه و اجتناب از بهینه محلی از صحت و استحکام بیشتری برخوردار می باشد و با استفاده ازمدل ریاضی ساده در براورد دوباره مراکز خوشه ها هزینه محاسباتی را نیز کاهش داده است.

کلیدواژه‌ها:

الگوریتم بهینه سازی، خوشه بندی، سری های زمانی، گرگ خاکستری

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICTCK02-ICTCK02_063.html
کد COI مقاله: ICTCK02_063

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
جلالی مجاهد, آتنا؛ مهرداد جلالی و سیدمحمدحسین معطر، ۱۳۹۴، خوشه بندی سری های زمانی به کمک الگوریتم بهینه سازی گرگ خاکستری، دومین کنگره بین المللی فن آوری، ارتباطات و دانشICTCK2015، مشهد، دانشگاه آزاد اسلامی واحد مشهد، https://www.civilica.com/Paper-ICTCK02-ICTCK02_063.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (جلالی مجاهد, آتنا؛ مهرداد جلالی و سیدمحمدحسین معطر، ۱۳۹۴)
برای بار دوم به بعد: (جلالی مجاهد؛ جلالی و معطر، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Antunes, C. M., & Oliveira, A. L. (2001, August). Temporal ...
  • Han, J., Kamber, M., & Pei, J. (2011). Data mining: ...
  • Fu, T. C., Chung, F. L., Ng, V., & Luk, ...
  • Workshop on Temporal Data Mining (pp. 26-29). ...
  • Wismiller, A., Lange, O., Dersch, D. R., Leinsinger, G. L., ...
  • Tran, D., & Wagner, M. (2002). Fuzzy c- speaker Soft ...
  • Compu ting-AFSS 2002 (pp. 318-324). Springer Berlin Heidelberg. ...
  • Chis, M., Banerjee, _ & Hassanien, A. E. (2009). Clustering ...
  • Sfetsos, A., & Siriopoulos, C. (2004).Time series forecasting with a ...
  • Keogh, E., & Kasetty, S. (2003). On the mining ...
  • Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: ...
  • Dorigo, M., Birattari, M., & Stitzle, T. optimization. ...
  • Eberhart, R. C., & Kennedy, J. (1995, October). A new ...
  • machine and human science (Vol. 1, pp. 39-43). ...
  • Han, J., & Kamber, M. (2001). Data mining: concepts and ...
  • Warren Liao, T. (2005). Clustering oftime series data-a survey. Pattern ...
  • Yin, J., Zhou, D., & Xie, Q. Q. (2006, December). ...
  • Chandrakala, S., & Sekhar, C. C. (2008, June). A density ...
  • International Joint Conference on (pp. 1885-1890). IEEE. ...
  • Khan, A., Khan, K., & Baharudin, B. B. (2009, Apri]). ...
  • ICIME'09. International Conference on (pp. 667-671). IEEE. ...
  • Wilpon, J. G., & Rabiner, L. (1985). A modified K-means ...
  • Shaw, C. T., & King, G. P. (1992). Using cluster ...
  • Owsley, L. M., Atlas, L. E., & Bernard, G. D. ...
  • Piccolo, D. (2007, June). Statistical issues on the AR metric ...
  • Ramoni, M., Sebastiani, P., & Cohen, P. (2002). Bayesian clustering ...
  • Yang, Y., & Jiang, J. (2014). HMM-based for ...
  • Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey ...
  • methods for classification and analysis of multivariate observations. In Proceedings ...
  • Smyth, P. (1997). Clustering sequences with hidden Markov models. Advances ...
  • C., Ranganathan, M., & (1994). ...
  • subsequence matching in time-series databases (Vol. 23, No. 2, pp. ...
  • Dempster, A. P., Laird, N. M., & Rubin, D. B. ...
  • Baum, L. E., & Eagon, J. A. (1967). An inequality ...
  • http ://www. cs.ucr. edu/-e amonn/time_s er is data ...
  • Gavrilov, M., Anguelov, D., Indyk, P., & Motwani, R. (2000, ...
  • conference on Knowledge discovery and data mining (pp. 487-496). ACM. ...
  • Nguyen, N., & Caruana, R. (2007, October). Consensus clusterings. In ...
  • Saremi, S., Mirjalili, S. Z., & Mirjalili, S. Evolutionary population ...
  • Rashedi, E., Nezamab adi-Pour, H., & Saryazdi, S. (2009). GSA: ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۷۷۸۴
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.