CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بهبود زمان اجرای الگوریتم خوشه بندی k-means با استفاده از خلاصه سازی داده های ورودی و مدل نگاشت - کاهش

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۲۹۶ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: ITCC01_386
زبان مقاله: فارسی
حجم فایل: ۱.۳۴ مگابات (فایل این مقاله در ۱۴ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۴ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود زمان اجرای الگوریتم خوشه بندی k-means با استفاده از خلاصه سازی داده های ورودی و مدل نگاشت - کاهش

  محدثه درویش زاده - گروه کامپیوتر، پردیس علوم و تحقیقات شاهرود، دانشگاه آزاد اسلامی واحد شاهرود، ایران
  هدی مشایخی - دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه شاهرود، شاهرود، ایران

چکیده مقاله:

الگوریتم k-means یکی از کاربردی ترین الگوریتم های خوشه بندی می باشد، که به دلیل سادهو قابل فهم بودن مورد توجه قرار گرفته است. در حالت کلی زمانی که حجم داده های ورودی بهالگوریتم خوشه بندی k-means زیاد شود، کارایی آن به دلیل محاسبات زیاد کاهش می یابد. دراین مقاله، یک الگوریتم خوشه بندی تقریبی مبتنی بر k-means را ارائه می کنیم که در آن باخلاصه سازی داده ها حجم محاسبات تا حد زیادی کاهش می یابد. فرآیند خلاصه سازی داده ها برمبنای دو پارامتر فاصله و زاویه داده ها از یک مبدا مختصات انجام شده و داده های نزدیک به هم بهعنوان یک مجموعه در نظر گرفته می شوند. سپس نماینده وزنی داده ها جایگزین مجموعه دادهمی گردد. از سوی دیگر برای کاهش زمان اجرا از مدل موازی نگاشت کاهش برای خلاصه سازی -داده های ورودی و همچنین اجرای الگوریتم، استفاده می کنیم. پیاده سازی الگوریتم پیشنهادی ومقایسه آن با خوشه بندی مرسوم k-means نشان دهنده بهبود پیچیدگی زمانی خوشه بندی به مقدارقابل توجه می باشد.

کلیدواژه‌ها:

خوشه بندی، خوشه بندی k-means ، مدل نگاشت - کاهش، پردازش موازی

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-ITCC01-ITCC01_386.html
کد COI مقاله: ITCC01_386

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:
درویش زاده, محدثه و هدی مشایخی، ۱۳۹۴، بهبود زمان اجرای الگوریتم خوشه بندی k-means با استفاده از خلاصه سازی داده های ورودی و مدل نگاشت - کاهش، کنفرانس بین المللی پژوهش های کاربردی در فناوری اطلاعات، کامپیوتر و مخابرات، تربت حیدریه، شرکت مخابرات خراسان رضوی، https://www.civilica.com/Paper-ITCC01-ITCC01_386.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: (درویش زاده, محدثه و هدی مشایخی، ۱۳۹۴)
برای بار دوم به بعد: (درویش زاده و مشایخی، 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 :

  • Arthur, David and Sergei Vassilvitskii. (2007). K-Means++- The advantages of ...
  • Bahmani, Bahman; Benjamin Moseley; Andrea Vattani. (2012). Scalable K-Means _ ...
  • Cai, Deng; Xiaofei He; Jiawei Han. (2005). Document Clustering Using ...
  • Dean, Jeffrey and Sanjay Ghemawat. (2008). MapReduce: Simplified Data Processing ...
  • Ester, Martin; Hans-Peter Kriegel; Jiirg Sander, Xiaowei Xu. (1996). A ...
  • Harting. J.A and M.A Wong. (1979). Algorithm AS 136: A ...
  • Sander, Jorg; Martin Ester; Hans-Peter Kriegel; Xiaowei Xu. (1998). Density-based ...
  • databases: The algorithm GDBSCAN and its applications. Data Mining and ...
  • _ Internatiotal Conference om Information Technology, Computer & Communication ۲۸ ...
  • Singh, Dilpreet and Chandan K Reddy. (2014). A survey on ...
  • Szekely, Gabor and Maria Rizzo. (2005). Hierarchical clustering via Joint ...
  • extending ward's minimum variance method. Jourmal of Classification Vol. 22. ...
  • Welcome to ApacheT* Hadoop@!". hadoop. apache.org. Retrieved 2015-09-20. Zhang, Jinsong; ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۲۷۳۰
    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.