بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
354
23099
108387
16404402
499831
496149
16888966

آی‌پی شما: 3.92.96.247
امروز: جمعه، 10 فروردين 1403 شمسی ساعت به وقت گرینویچ: 00:01:44
       دسته‌بندی: مقالات خوشه بندی       فروش: 0 بازدید: 5907
الگوریتم خوشه بندی مبتنی بر مورچه جدید با استفاده از انتروپی Renyi
    قیمت محصول: 300000 ریال



A novel ant-based clustering algorithm using Renyi entropy

 

a b s t r a c t

Ant-based clustering is a type of clustering algorithm that imitates the behavior of ants. To improve the efficiency, increase the adaptability to non-Gaussian datasets and simplify the parameters of the algorithm, a novel ant-based clustering algorithm using Renyi Entropy (NAC-RE) is proposed. There are two aspects to application of Renyi entropy. Firstly, Kernel Entropy Component Analysis (KECA) is applied to modify the random projection of objects when the algorithm is run initially. This projection can create rough clusters and improve the algorithm’s efficiency. Secondly, a novel ant movement model governed by Renyi entropy is proposed. The model takes each object as an ant. When the object (ant) moves to a new region, the Renyi entropy in its local neighborhood will be changed. The differential value of entropy governs whether the object should move or be moveless. The new model avoids complex parameters that have influence on the clustering results. The theoretical analysis has been conducted by kernel method to show that Renyi entropy metric is feasible and superior to distance metric. The novel algorithm was compared with other classic ones by several well-known benchmark datasets. The Friedman test with the corresponding Nemenyi test are applied to compare and conclude the algorithms’ performance The results indicate that NAC-RE can get better results for non-linearly separable datasets while its parameters are simple.

 

pdf دانلود رایگان مقاله انگلیسی1.57 MB

 

چکیده
خوشه بندی مبتنی بر مورچه نوعی الگوریتم خوشه بندی است که رفتار مورچه ها را تقلید می کند. برای بهبود کارایی، افزایش انطباق پذیری با مجموعه داده های غیرگاوسی و ساده سازی پارامترهای الگوریتم، الگوریتم خوشه بندی مبتنی بر مورچه جدید با استفاده از انتروپی Renyi (NAC-RE) پیشنهاد می شود. دو جنبه برای کاربرد انتروپی Renyi وجود دارد. اولا، آنالیز مولفه انتروپی هسته (KECA) برای اصلاح تصویر تصادفی شی ها بکار گرفته می شود، زمانیکه الگوریتم در ابتدا اجرا می شود. این تصویر می تواند خوشه های درشتی ایجاد کرده و کارایی الگوریتم را بهبود دهد. ثانیا، مدل جدید هدایت شده توسط انتروپی Renyi پیشنهاد می شود. مدل هر شی را به صورت یک مورچه در نظر می گیرد. زمانیکه شی (مورچه) به منطقه جدیدی می رود، انتروپی Renyi در همساگی محلی اش تغییر خواهد کرد. مقدار تفاضلی انتروپی کنترل می کند که آیا شی باید حرکت کند یا بدون حرکت باشد. مدل جدید از پارامترهای پیچیده ای که روی نتایج خوشه بندی تاثیرگذار هستند جلوگیری می کند. آنالیز تئوری توسط روش هسته برای نمایش اینکه معیار انتروپی Renyi امکان پذیر است و برتر از معیار فاصله است، انجام گرفته است. الگوریتم جدید با سایر الگوریتم های کلاسیک توسط چند مجموعه داده الگوی مشخص مقایسه شد. تست فریدمن با تست Nemenyi متناظر برای مقایسه و نتیجه گیری در مورد کارایی الگوریتم ها بکار گرفته می شوند. نتایج نشان می دهند که NAC-RE می تواند به نتایج بهتری برای مجموعه داده های مجزای غیرخطی دست یابد، در حالیکه پارامترهایش ساده هستند.

 

 تعداد صفحات مقاله انگلیسی:   15  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :  45   صفحه

 قالب بندی فایل: فایل ورد (Word)

 


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود