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 :55
بازدید روز گذشته :121
بازدید این هفته :467
بازدید این ماه :400
مجموع آمار بازدید ها :812775
بازدید روز گذشته :121
بازدید این هفته :467
بازدید این ماه :400
مجموع آمار بازدید ها :812775
عنوان محصول: الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K
دستهبندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار:
دوشنبه 17 آبان 1395
توضیحات مختصر:
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) بخاط...
|
![]() | الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K |




791 بازدید
کد مقاله: TTC-
3106
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Abstract
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.
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.

