ارایه یک روش بهبود یافته Kernel K means با روش Min-Max

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 779

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

DCBDP03_038

تاریخ نمایه سازی: 14 شهریور 1396

چکیده مقاله:

مینیمم کردن مجموعه واریانس داخل خوشهای، یکی از محبوبترین روشهای خوشه بندی است. از این رو به دلیل انتخاب نادرست نقاط مرکزی، بهینه سازی محلی ضعیف و ... میتواند از محبوبیت آن بکاهد. این روش بهبودی برای روش K means است که در آن سعی شده است مشکل انتخاب نقاط مرکزی با استفاده از روش Min-Max Kernel K means حل شود. الگوریتم اریه شده، برایمتعادل کردن واریانس بین خوشهها وزنی را به خوشهها با توجه به واریانس آنها اختصاص میدهد. این الگوریتم روش جدیدی برای وزن دهی خوشهها ارایه میکند. وزنها در هر تکرار با توجه به تخصیصاتی که انجام شده است، آپدیت میشوند. هدف از وزن دهی بهخوشهها جلوگیری از به وجود آمدن خوشههایی با واریانس بالاست. در الگوریتم ارایه شده از الگوریتم Kernel K means استفاده شده است. دلیل این کار، مناسب بودن این روش برای خوشه بندی غیر خطی است. آزمایشات گسترده بر روی چندین دیتاست و مقایسه روش اریه شده با روشهای دیگر نشان میدهد که الگوریتم ارایه شده به انتخاب نقاط اولیه مناسب حساس نیست و حتی با انتخاب نقاط اولیه نامناسب نیز کارایی بهتری نسبت به دیگر روشهای مقایسه شده دارد

کلیدواژه ها:

Kernel K means – K means – خوشههای متعادل -خوشه بندی

نویسندگان

امین گلزاری اسکویی

دانشجوی کارشناسی ارشد، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان – تبریز – ایران

عسگرعلی بویر

استادیار، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان – تبریز – ایران

هیوا ابراهیم زاده

دانشجوی کارشناسی ارشد، دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان – تبریز – ایران