ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

افزایش دقت خوشه بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مولفه اصلی و k نزدیک ترین همسایگی

سال انتشار: 1399
کد COI مقاله: ECTCONF02_009
زبان مقاله: فارسیمشاهده این مقاله: 252
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله افزایش دقت خوشه بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مولفه اصلی و k نزدیک ترین همسایگی

آرش اشنودی - کارشناسی ارشد کامپیوتر، دانشگاه غیرانتفاعی شهید اشرفی اصفهانی، اصفهان،
بهزاد سلیمانی نیسیانی - مربی، دانشگاه غیرانتفاعی شهید اشرفی اصفهانی، اصفهان،
ناصر نعمت بخش - استادیار دانشکده مهندسی کامپیوتر، دانشگاه اصفهان،

چکیده مقاله:

سیستم های توصیه گر یکی از موثرترین ابزارهای موجود در دنیای الکترونیک می باشند و هدف اصلی آنها تولید پیش بینی های دقیق است تا اینکه کاربران با صرف زمان و انرژی کمتر به اطلاعات و مورد نظر خود دسترسی پیدا کنند . خوشه بندی سبب بهینه سازی فعالیت جستجوی اطلاعات در این سیستم ها شده و زمان جستجوی کاربر را کاهش می دهد. در برخی از سیستم های توصیه گر، مسئله توصیه اشیاء برای کاربر جدید که اولین ورود را تجربه می کند وجود دارد. راه حل هایی برای حل این مسئله با عنوان درج داده جدید با استفاده از الگوریتم نزدیک ترین همسایگی ارائه شده است. در این مقاله با استفاده ترکیبی الگوریتم های شبکه های عصبی پرسپترون چندلایه، نزدیک ترین همسایگی دقت خوشه بندی داده ها را بهبود می بخشد به طور یکه داده ورودی در خوشه مناسب تر قرار گیرد. این کار به این صورت انجام می شود که داده ورودی به الگوریتم با هر دو روش موجود، خوشه بندی شده و سپس بین نتایج به دست آمده رای گیری خواهد شد. در این پژوهش از پایگاه داده موجود که شامل امتیازهای داده شده هزار کاربر به گروه های فیلم مختلف می باشد استفاده شده است که این داده ها در روش پیشنهادی نرمال سازی شده و داده ها در فضای جدیدی به ورودی سیستم فرستاده می شوند. که فضای جدید معرفی شده در این پژوهش توانسته قدرت افتراق پذیری بالایی بین خوشه های موجود ایجاد کرده و در نتیجه خروجی نهایی سیستم ب هدقت قابل قبولی دست یابد. نتایج آزمایش های انجام شده بر روی این داده ها نشان می دهد روش پیشنهادی توانسته به دقت 93.81 و صحت 94.45 و فراخوانی 93.50 درصد در تشخیص و خوشه بندی داده ها موفق باشد.

کلیدواژه ها:

سیستم های توصیه گر ، خوشه بندی ، دسته بندی ، k نزدیک ترین همسایه ، شبکه عصبی پرسپترون

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ECTCONF02_009 میباشد و 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://civilica.com/doc/1041685/

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:
اشنودی، آرش و سلیمانی نیسیانی، بهزاد و نعمت بخش، ناصر،1399،افزایش دقت خوشه بندی با استفاده از یک رویکرد ترکیبی جدید مبتنی بر شبکه عصبی، تحلیل مولفه اصلی و k نزدیک ترین همسایگی،دومین کنفرانس ملی مهارت های نوین در مهندسی برق، کامپیوتر و فن آوری ارتباطات،اصفهان،https://civilica.com/doc/1041685

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: (1399، اشنودی، آرش؛ بهزاد سلیمانی نیسیانی و ناصر نعمت بخش)
برای بار دوم به بعد: (1399، اشنودی؛ سلیمانی نیسیانی و نعمت بخش)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

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

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: 546
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.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

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.

پشتیبانی