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
1922
23099
109955
16404402
501399
496149
16890534

آی‌پی شما: 44.200.39.110
امروز: جمعه، 10 فروردين 1403 شمسی ساعت به وقت گرینویچ: 02:01:51
       دسته‌بندی: مقالات خوشه بندی       فروش: 3 بازدید: 7437
الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K
    قیمت محصول: 140000 ریال



Ant clustering algorithm with K-harmonic means clustering

 

a b s t r a c t

 

Clustering is an unsupervised learning procedure and there is no a prior knowledge of data distribution. It organizes a set of objects/data into similar groups called clusters, and the objects within one cluster are highly similar and dissimilar with the objects in other clusters. The classic K-means algorithm (KM) is the most popular clustering algorithm for its easy implementation and fast working. But KM is very sensitive to initialization, the better centers we choose, the better results we get. Also, it is easily trapped in local optimal. The K-harmonic means algorithm (KHM) is less sensitive to the initialization than the KM algorithm. The Ant clustering algorithm (ACA) can avoid trapping in local optimal solution. In this paper, we will propose a new clustering algorithm using the Ant clustering algorithm with K-harmonic means clustering (ACAKHM). The experiment results on three well-known data sets like Iris and two other artificial data sets indicate the superiority of the ACAKHM algorithm. At last the performance of the ACAKHM algorithm is compared with the ACA and the KHM algorithm.

 

 

pdfدانلود رایگان مقاله انگلیسی  688.41 KB

 

 

چکیده
خوشه بندی یک روند یادگیری نظارت نشده است و هیچ دانش قبلی از توزیع داده ها وجود ندارد. مجموعه شی ها/داده ها را در گروه های مشابه که خوشه ها نامیده می شوند سازماندهی می کند و شی های درون یک خوشه شباهت زیادی بهم داشته و با شی های موجود در سایر خوشه ها غیرمشابه هستند. الگوریتم میانگین K کلاسیک (KM) بخاطر پیاده سازی آسان و عملکرد سریعش، رایج ترین الگوریتم خوشه بندی است. ولی KM به مقداردهی اولیه خیلی حساس است، هر چه مراکز بهتری را انتخاب کنیم، به نتایج بهتری دست می یابیم. همچنین، به میزان زیادی در بهینه محلی به دام می افتد. الگوریتم میانگین هارمونیک K (KHM) کمتر از الگوریتم KM به مقداردهی اولیه حساس است. الگوریتم خوشه بندی مورچه (ACA) می تواند از افتادن در دام بهینه محلی جلوگیری کند. در این مقاله، یک الگوریتم خوشه بندی جدید با استفاده از الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K (ACAKHM) پیشنهاد خواهیم کرد. نتایج تجربی روی سه مجموعه داده رایج Iris و دو مجموعه داده مصنوعی دیگر، برتری الگوریتم ACAKHM را نشان می دهند. در نهایت، کارایی الگوریتم ACAKHM با الگوریتم های ACA و KHM مقایسه می شود.

 

 تعداد صفحات مقاله انگلیسی:   6  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :   18  صفحه

 قالب بندی فایل: فایل ورد (Word)

 


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