خوشه بندی داده با استفاده از ترکیب K-harmonic means و PSO ، ABC
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,679
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
EIAICC02_011
تاریخ نمایه سازی: 22 فروردین 1393
چکیده مقاله:
خوشه بندی یکی از مسائل مهم در زمینه یادگیری ماشین، داده کاوی و الگو شناسی است. در واقع خوشه بندی داده ها را به دسته هایی که از نظر پارامترهای مورد علاقه، شباهت بیشتری به یکدیگر دارند، تقسیم می کند. الگوریتمK-meansیکی از روش های رایج خوشه بندی می باشدکه علیرغم مزایای بسیار از جمله سرعت بالا در دام بهینه محلی قرار گرفته و حساس به مقادیر اولیه می باشد و همیشه جواب بهینه مسئله را تولید نمی نماید. روش خوشه بندیK-harmonic meansمسئله حساس بودن به مقدار اولیه را پوشش می دهد اما مشکل گرفتار شدن در دام بهینه محلی همچنان این الگوریتم را تهدید می کند. در این مقاله سعی شده است که یک الگوریتم جدیدAPKHM(برای بهبود خوشه بندی داده ها با استفاده از روش فرا ابتکاریPSO و ABCپیاده سازی شود. الگوریتم کولونی زنبورABC(از جمله رویکردهای فرا اکتشافی مبتنی بر جمعیت می باشد که یک تکنیک بهینه سازی احتمالی است که راه حل مناسبی برای غلبه بر مشکل ذکر شده است .الگوریتمHABC-PSOبا مجموعه داده های مختلف تست و نتایج آن با الگوریتم هایGSAKHM و PSOKHM ،KHMمقایسه شده است. نتایج شبیه سازی نشان می دهد که الگوریتم جدید قادر است با دقت بالایی جواب بهینه را تولید نماید.
کلیدواژه ها:
نویسندگان
حبیب غفارزاده
دانشگاه آزاد اسلامی واحد شبستر
عسگر علی بویر
دانشگاه شهید مدنی آذربایجان، دانشکده فناوری اطلاعات و مهندسی کامپیوتر
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 :