دانلود فایل با شمار فاکتور
لطفا شماره فاکتور خود را درج نمایید
جدیدترین لغات واژهنامه
کشورهای شمال اروپا
آتش سوزی های جنگلی
دوسویه
نادیده گرفتن، دست انداخ
اجتناب ناپذیر، بی شفقت،
آمار بازدیدکنندگان
بازدید امروز :57
بازدید روز گذشته :57
بازدید این هفته :437
بازدید این ماه :300
مجموع آمار بازدید ها :801594
بازدید روز گذشته :57
بازدید این هفته :437
بازدید این ماه :300
مجموع آمار بازدید ها :801594
عنوان محصول: کاربرد الگوریتم K-Means مورچه در تجزیه و تحلیل خوشه بندی
دستهبندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار:
پنج شنبه 20 آبان 1395
توضیحات مختصر:
این مقاله در نظر دارد یک روش جدید خوشه بندی را با عنوان الگوریتم خوشه بندی K-means مورچه(AK) ، بیان کند. الگوریتم AK، روش K-means را به صورت تعیین مکان اشیاء در یک خوشه با احتمالی که توسط فرمون تعیین میشود، تغییر میدهد و قوانین به روز رسانی فرمون بر حسب کل واریانس خوشه، تعیین میشود(TWCV). نتایج محاس...
|
کاربرد الگوریتم K-Means مورچه در تجزیه و تحلیل خوشه بندی |
قیمت : 35000 تومان
تخفیف: 8000 تومان
تخفیف ویژه : 10 درصد
قیمت نهایی: 23500 تومان
673 بازدید
کد مقاله: TTC-
3117
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Abstract
This paper intends to propose a novel clustering method, ant K-means (AK) algorithm. AK algorithm modifies the K-means as locating the objects in a cluster with the probability, which is updated by the pheromone, while the rule of updating pheromone is according to total within cluster variance (TWCV). The computational results showed that it is better than the other two methods, self-organizing feature map (SOM) followed by K-means method and SOM followed by genetic K-means algorithm via 243 data sets generated by Monte Carlo simulation. To further testify this novel method, the questionnaire survey data for the plasma television market segmentation is employed. The results also indicated that the proposed method is the best among these three methods based on TWCV.
چکیده
این مقاله در نظر دارد یک روش جدید خوشه بندی را با عنوان الگوریتم خوشه بندی K-means مورچه(AK) ، بیان کند. الگوریتم AK، روش K-means را به صورت تعیین مکان اشیاء در یک خوشه با احتمالی که توسط فرمون تعیین میشود، تغییر میدهد و قوانین به روز رسانی فرمون بر حسب کل واریانس خوشه، تعیین میشود(TWCV). نتایج محاسباتی نشان میدهد که، این روش بهتر از دو روش نقشه ویژگی های خود سازمان ده(SOM) منطبق بر روش K-means و نقشه ویژگی های خود سازمان ده(SOM) منطبق بر روش ژنتیک K-means است که با 243 مجموعه داده تولید شده بوسیله شبیه سازی مونت کارلو، ایجاد شده اند. برای آزمایش این روش جدید، برسشنامه بررسی داده ها، برای تقسیم بندی بازار تلویزیون پلاسما، استفاده شده است. نتایچ نشان میدهد که، روش پیشنهادی بهتر ازسه روش مبتنی بر TWCV، عمل میکند.
تعداد صفحات انگلیسی:16
صفحه
تعداد صفحات فـارسـی:23
صفحه