ارایه ی مدلی جهت بهبود الگوریتم خوشه بندی k-means بر پایه ی الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی
محل انتشار: اولین کنفرانس ملی آینده مهندسی و تکنولوژی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 441
فایل این مقاله در 9 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:
FETCONF01_179
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
خوشه بندی داده ها به کلاس ها یا دسته های متناسب یکی از مباحث مهم در داده کاوی و تشخیص الگو است. خوشه بندی یعنی قراردادن داده ها در دسته های مناسب ، با توجه به حفظ اصل حداکثر تشابه در یک دسته، و حداقل تشابه بین دسته ها می باشد. در این مقاله ابتدا یکی از روش های پایه در خوشه بندی به نام k-means شرح داده می شود. این الگوریتم در برابر اغتشاشات و نقات پرت حساس است.و یکی از مهمترین معایب آن این است که ممکن است به یک مینیمم محلی همگرا شود. راه حاهای زیادی برای حل این مشکل پیشنهاد شده است. یکی از راه حل ها استفاده از الگوریتمهای بهینه سازی می باشد. در این مقاله با استفاده از الگوریتم فراابتکاری بهینه سازی مبتنی بر جغرافیای زیستی BBO ، الگوریتم خوشه بندی که آن را BBO-clustering نامگذاری کردیم پیشنهاد شده است. در واقع سعی شده با استفاده از عملگرهای BBO و قابلیت جستجوی موازی آن ، دقت الگوریتم سنتی k-means را بهبود بخشیم. در پایان روشهای مزبور بر روی مجموعه داده هایی در محیط نرم افزار متلب تست شده اند. نتایج نشان دهنده کارایی بهتر الگوریتم پیشنهادی نسبت به الگوریتم سنتی k-means دارد.
کلیدواژه ها:
نویسندگان
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 :