استفاده از پراکندگی مقادیر ویژه در ایجاد درخت خوشه بندیِ فازی بدون راهنما

سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,595

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICMVIP04_038

تاریخ نمایه سازی: 21 دی 1386

چکیده مقاله:

خوشه بندی یکی از ابزار اصلی در شناسایی الگو است. در خوش هبندی بدون راهنما از تعداد خوشه ها اطلاعی در دست نیست و به کمک یک معیار، خوشة بوجود آمده ارزیابی می شود. عموماً معیار چگالیِ خوشه، برای اعتبار سنجی خوشه بندی بکار م یرود. در این مقاله از معیارِ پراکندگیِ مقادیرِ ویژة ماتریسِ کورولیشنِ بردار ویژگیِ ورودی، در سنجشِ چگالی خوشه استفاده می شود و اثبات می شود که این معیار با طیف قدرت ارتباطِ مستقیم دارد و براین اساس، آستانة مناسب روی معیار پیشنهادی بدست م یآید که خوش ههایی با طیف قدرت همسان حاصل می شود. یک درختِ تصمیمِ دودویی برای خوش هبندی داده ها ایجاد شده که در هر گرهِ آن، بر اساسِ میانگینِ -k معیار پیشنهادی، داده ها به دو خوشه با الگوریتم فازی تقسیم می شوند. نتایج بدست آمده از بکارگیریِ روش پیشنهادی بر رویِ داده های مصنوعی و مقایسة آن با روشهای ارائه شده توسطXie و Bezdek کارایی آنرا نشان می دهد. همچنین از الگوریتم پیشنهادی در تقطیع تصویر استفاده م یشود. تلفیق ویژگیهایِ سطوح خاکستری و گرادیان تصویر با استفاده از این الگوریتم نتایج خوبی در تقطیع تصویر حاصل م یکند.

کلیدواژه ها:

خوش هبندی فازی بدون راهنما ، پراکندگی مقادیر ویژه ، ماتریسِ کورولیشن بردار ویژگی ، شناسایی الگو

نویسندگان

هادی صدوقی یزدی

گروه الکترونیک، دانشکده فنی و مهندسی، دانشگاه تربیت معلم سبزوار

جواد حدادنیا

گروه الکترونیک، دانشکده فنی و مهندسی، دانشگاه تربیت معلم سبزوار

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 :
  • R. Duda and P. Hart, Pattern Classification and Scene Analysis. ...
  • J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms. ...
  • R. J. Hathaway, James C. Bezdek, and Y. Hu, ، ...
  • J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, ...
  • R. N. Dave, _ Adaptive Fuzzy C-Elliptotype Clustering Algorithm, Proceedings ...
  • K. Umayahara, S. Miyamoto, Y. Nakamori, "Linear Fuzzy Clustering Using ...
  • S. Haykin, Adaptive Filter Theory, 3rd-ed, Printice Hall, 1996. ...
  • S. C. Newton, S. Pemmaraju, S. Mitra, "Adaptive Fuzzy Leader ...
  • X. L. Xie and G. A. Beni, :Validity Measure for ...
  • M. Setnes, R. Babuska, "Fuzzy Relational Classifier Trained by Fuzzy ...
  • I. Gath and A.B. Geva, "Unsupervised Optimal Fuzzy Clustering, " ...
  • N.R. Pal and J.C. Bezdek, "On Clustering Validity for the ...
  • R. E. Hammah, J. H. Curran, "Validity Measures for the ...
  • J-F. Yang, S-S. Hao, P-C. Chung, C-L. Huang, "Color Object ...
  • K. Umayahara, S. Miyamoto, Y. Nakamori, "Linear Fuzzy Clustering Using ...
  • L. Amini, H. Soltanian-Zadeh, C. Lucas, M. Gity, "Automatic Segmentation ...
  • X. Gao, X. Tang, "Unsupervised Video-Shot Segmentation and Model-Free Anchorperson ...
  • Q. Liang, "Designing Power Aware Self- Reconfiguring Topology for Mobile ...
  • S. -C. Cheng, _ _ Re gion-Growing Approach to Colour ...
  • J. Abonyi, B. Feil, S. Nemeth, P. Arva, "Modified Gath-Geva ...
  • R. O. Duda, P. E. Hart, D. G. Stork, Pattern ...
  • M. J. Bravo, H. Farid, "Object Segmentation by Top-Down Processes, ...
  • M. J. Bravo, H. Farid, "Recognizing and Segmentation Objects in ...
  • نمایش کامل مراجع