دوره 20، شماره 1 - ( 3-1402 )                   جلد 20 شماره 1 صفحات 58-39 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Safari S, Afsari F. Ensembling semi-supervised p-spectral clustering for high dimensional data. JSDP 2023; 20 (1) :39-58
URL: http://jsdp.rcisp.ac.ir/article-1-1198-fa.html
صفری صدیقه، افسری فاطمه. خوشه بندی گروهی طیفی لاپلاسی-p نیمه نظارتی برای داده های با ابعاد بالا. پردازش علائم و داده‌ها. 1402; 20 (1) :39-58

URL: http://jsdp.rcisp.ac.ir/article-1-1198-fa.html

خوشه بندی گروهی طیفی لاپلاسی-p نیمه نظارتی برای داده های با ابعاد بالا
صدیقه صفری، فاطمه افسری*
دانشگاه شهید باهنر کرمان
چکیده:   (92 مشاهده)
با توجه به افزایش روزافزون اطلاعات و تحلیل دقیق آنها مسأله خوشه ­بندی که برای آشکارسازی الگوهای پنهان موجود در داده ­ها مورد استفاده قرار می­ گیرد، همچنان از اهمیت بالایی برخوردار است. از طرفی خوشه ­بندی داده ­های با ابعاد بالا با استفاده از روش­های سنتی پیشین دارای محدودیت ­های زیادی است. در مقاله حاضر، یک روش خوشه­ بندی گروهی نیمه­ نظارتی برای مجموعه ­ای از داده­ های پزشکی با ابعاد بالا پیشنهاد می ­شود. در فرموله­ سازی مسأله خوشه­ بندی اطلاعات نظارتی اندکی به عنوان دانش پیشین با استفاده از اطلاعات مربوط به تشابه و یا عدم تشابه (بصورت تعدادی زوج محدودیت­ های دوبه­ دو) در نظر گرفته می­شود. در ابتدا با استفاده از خاصیت تراگذری زوج محدودیت­ های دوبه ­دو را بر روی تمام داده ­ها تعمیم می ­دهیم. سپس با تقسیم فضای ویژگی به صورت تصادفی به چندین زیرفضای نابرابر ابعاد داده ­ها را کاهش می­ دهیم. خوشه­ بندی طیفی نیمه­ نظارتی مبتنی بر گراف لاپلاسی- p در هر زیر فضا بطور مستقل انجام می ­شود. سپس با استفاده از نتایج هر کدام یک ماتریس مجاورت، حاصل از تجمیع نتایج هر کدام (مبتنی بر یادگیری گروهی) ایجاد می ­شود. در نهایت با استفاده از چند عملگر جستجو روی زیرفضاها، بهترین زیرفضا، یعنی زیرفضایی که بهترین نتیجه خوشه­ بندی را دارد، می­ یابیم. نتایج آزمایشات متعدد بر روی چندین داده ­ی پزشکی با ابعاد بالا نشان می­ دهد که رویکرد پیشنهادی، عملکرد و کارآیی بهتری نسبت به روش­های پیشین دارد.
شماره‌ی مقاله: 3
واژه‌های کلیدی: خوشه بندی، یادگیری زیرفضا، یادگیری گروهی، یادگیری نیمه نظارتی، زوج محدودیت های دوبه دو
متن کامل [PDF 2069 kb]   (53 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1399/9/26 | پذیرش: 1401/7/16 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.