دوره 16، شماره 2 - ( 6-1398 )
جلد 16 شماره 2 صفحات 120-105 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Pahlevanzadeh A, Niknafs A. Improvement of density-based clustering algorithm using modifying the density definitions and input parameter. JSDP 2019; 16 (2) :105-120
URL: http://jsdp.rcisp.ac.ir/article-1-760-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-760-fa.html
پهلوانزاده علیرضا، نیک نفس علی اکبر. بهبود الگوریتم خوشه‌بندی مبتنی بر چگالی با استفاده از اصلاح تعاریف چگالی و پارامتر ورودی. پردازش علائم و داده‌ها. 1398; 16 (2) :105-120
بخش مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان
چکیده: (3744 مشاهده)
خوشه‌بندی مبتنی بر چگالی یکی از روش‌های مورد توجه در داده‌‌کاوی و DBSCANنمونه‌ای پرکاربرد از این روش است. DBSCAN علاوه‌بر مزایای خود معایبی نیز دارد. به‌عنوان نمونه، تعیین پارامترهای ورودی این الگوریتم توسط کاربر کار مشکلی است. در مقالۀ حاضر سعی شده است، اصلاحاتی روی یکی از الگوریتم‌های مبتنی برچگالی به نام ISB-DBSCAN انجام شود. در روش پیشنهادی همانند ISB-DBSCAN از یک پارامتر ورودی k به‌عنوان تعداد نزدیک‌ترین همسایه استفاده شده است. از آنجا که تعیین پارامتر k ممکن است، برای کاربر مشکل باشد، یک روش پیشنهادی با الگوریتم ژنتیک برای تعیین خودکار k نیز ارائه شده است. برای ارزیابی روش‌های پیشنهادی آزمایش‌هایی روی یازده مجموعه دادۀ استاندارد انجام شد و دقت خوشه‌بندی در روش‌ها مورد ارزیابی قرار گرفت. نتایج به‌دست‌آمده در مقایسه با دیگر روش‌های موجود نشان داد که روش پیشنهادی در مجموعه‌داده‌های مختلف، نتایج بهتری را کسب کرده است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1396/5/19 | پذیرش: 1398/3/29 | انتشار: 1398/6/26 | انتشار الکترونیک: 1398/6/26
دریافت: 1396/5/19 | پذیرش: 1398/3/29 | انتشار: 1398/6/26 | انتشار الکترونیک: 1398/6/26
فهرست منابع
1. [1] C. Cassisi, A. Ferro, R. Giugno, G. Pigola, and A. Pulvirenti, "Enhancing density-based clustering: Parameter reduction and outlier detection," Information Systems, vol. 38, no. 3, pp. 317-330, 2013. [DOI:10.1016/j.is.2012.09.001]
2. [2] X. Chen, W. Liu, H. Qiu, and J. Lai, "APSCAN: A parameter free algorithm for clustering," Pattern Recognition Letters, vol. 32, no. 7, pp. 973-986, 2011. [DOI:10.1016/j.patrec.2011.02.001]
3. [3] H. Durnová, "Otakar Boruvka (1899-1995) and the Minimum Spanning Tree," 1998.
4. [4] M. T. Elbatta and W. M. Ashour, " A dynamic method for discovering density varied clusters," International Journal of Signal Processing, Image Processing and Pattern Recognition, vol. 6, no. 1, pp. 123-134, 2013.
5. [5] J. Esmaelnejad, J. Habibi, and S. H. Yeganeh, "A novel method to find appropriate ε for DBSCAN," in Asian Conference on Intelligent Information and Database Systems, Springer, 2010, pp. 93-102. [DOI:10.1007/978-3-642-12145-6_10]
6. [6] M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," in Kdd, 1996, vol. 96, no. 34, pp. 226-231.
7. [7] R. L. Graham and P. Hell, "On the history of the minimum spanning tree problem," Annals of the History of Computing, vol. 7, no. 1, pp. 43-57, 1985. [DOI:10.1109/MAHC.1985.10011]
8. [8]M. N. Gaonkar and K. Sawant, "AutoEpsDBSCAN: DBSCAN with Eps automatic for large dataset," International Journal on Advanced Computer Theory and Engineering, vol. 2, no. 2, pp. 11-16, 2013.
9. [9] J. Hou, H. Gao, and X. Li, "Dsets-dbscan: a parameter-free clustering algorithm," IEEE Transactions on Image Processing, vol. 25, no. 7, pp. 3182-3193, 2016. [DOI:10.1109/TIP.2016.2559803] [PMID]
10. [10] J. A. Hartigan and M. A. Wong, "Algorithm AS 136: A k-means clustering algorithm," Journal of the Royal Statistical Society. Series C (Applied Statistics), vol. 28, no. 1, pp. 100-108, 1979. [DOI:10.2307/2346830]
11. [11] A. Karami and R. Johansson, "Choosing dbscan parameters automatically using differential evolution," International Journal of Computer Applications, vol. 91, no. 7, 2014. [DOI:10.5120/15890-5059]
12. [12] Y. Lv et al., "An efficient and scalable density-based clustering algorithm for datasets with complex structures," Neurocomputing, vol. 171, pp. 9-22, 2016. [DOI:10.1016/j.neucom.2015.05.109]
13. [13] M. Mitchell, An introduction to genetic algo-rithms. MIT press, 1998.
14. [14] پورمحمدی سارا، مالکی علی، "تشخیص پیوسته میزان استرس در طول رانندگی با استفاده از روش خوشه‌بندی Fuzzy c-means" ،پردازش علائم و داده‌ها،14 (4) :۱۲۹-۱۴۲، 1396.
15. [14] S. Pourmohammadi, A. Maleki, "A Fuzzy C-means Clustering Approach for Continuous Stress Detection during Driving", JSDP; 14 (4) :129-142,2018. [DOI:10.29252/jsdp.14.4.129]
16. [15] S. Mitra and J. Nandy, "Kddclus: A simple method for multi-density clustering," SKAD'11-Soft Computing Applications and Knowledge Discovery, pp. 72, 2011.
17. [16] G. H. Shah, "An improved DBSCAN, a density based clustering algorithm with parameter selection for high dimensional data sets," IEEE Engineering (NUiCONE), 2012 Nirma Univer-sity International Conference on, 2012, pp. 1-6. [DOI:10.1109/NUICONE.2012.6493211]
18. [17] K. Sawant, "Adaptive methods for determining dbscan parameters," International Journal of Innovative Science, Engineering & Technology, vol. 1, no. 4, 2014.
19. [18] P. Sharma and Y. Rathi, "Efficient Density-Based Clustering Using Automatic Parameter Detection," in Proceedings of the International Congress on Information and Communication Technology, Springer, 2016, pp. 433-441. [DOI:10.1007/978-981-10-0767-5_46]
20. [19] https://cs.joensuu.fi/sipu/datasets/
21. [20]http://archive.ics.uci.edu/ml/datasets/statlog+(heart)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
