دوره 14، شماره 4 - ( 12-1396 )
جلد 14 شماره 4 صفحات 42-31 |
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:
Fazl-Ersi E, Kazemi Nooghabi M. Data Clustering Based On Key Identification. JSDP 2018; 14 (4) :31-42
URL: http://jsdp.rcisp.ac.ir/article-1-529-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-529-fa.html
فضل ارثی احسان، کاظمی نوقابی مسعود. خوشه‌بندی داده‌ها بر پایه شناسایی کلید. پردازش علائم و داده‌ها. 1396; 14 (4) :31-42
دانشگاه فردوسی مشهد
چکیده: (4583 مشاهده)
خوشه‌بندی یکی از عناصر اصلی سازنده در بینایی رایانه و یادگیری ماشین است. چالش اصلی، یافتن راهی مناسب برای پیدا‌کردن زیر‌مجموعه‌ای از نمونه‌‌های شاخص و ساختارهای خوشه‌ای مرتبط با آنها، با درنظر‌گرفتن یک معیار فاصله دوبه‌دو، است. در این مقاله شیوه‌ای جدید برای خوشه‌بندی پیشنهاد می‌شود که به‌صورت تکرار‌شونده، عناصر کلیدی یک مجموعه داده‌ای را بر پایه یک تابع هدف مناسب، پیدا می کند. آزمایش‌های تجربی متعدد بیان‌گر برتری روش پیشنهاد‌شده نسبت به روش‌های موجود، هم از نظر بهینگی و هم از نظر مؤثر‌بودن، است. علاوه‌بر‌این، روش پیشنهادی برای خوشه‌بندی داده‌های با مقیاس بالا توسعه داده می‌شود؛ به‌صورتی‌که میلیون‌ها داده را در چند ثانیه می‌توان پردازش کرد.
واژه‌های کلیدی: خوشه بندی، شناسایی کلید، مقیاس بالا
نوع مطالعه: كاربردي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1395/3/16 | پذیرش: 1396/4/17 | انتشار: 1396/12/22 | انتشار الکترونیک: 1396/12/22
دریافت: 1395/3/16 | پذیرش: 1396/4/17 | انتشار: 1396/12/22 | انتشار الکترونیک: 1396/12/22
فهرست منابع
1. [1] چاقری آرش، فیضی درخشی محمدرضا. خوشه‌بندی خودکار داده‌ها با بهره‌گیری از الگوریتم رقابت استعماری بهبودیافته. پردازش علائم و داده‌ها; ۱۴ (۲) :۱۵۹-۱۶۹; 1396
2. [1] Chaghari A, Feizi-Derakhshi M. Automatic Clustering Using Improved Imperialist Competitive Algorithm. JSDP; 14 (2) :159-169, 2017. [DOI:10.18869/acadpub.jsdp.14.2.159]
3. [2] Bahmani, B., Moseley, B., Vattani, A., Kumar, R., & Vassilvitskii, S. Scalable k-means++. Proceedings of the VLDB Endowment, 5(7), 622-633, 2012. [DOI:10.14778/2180912.2180915]
4. [3] Belongie, S., Malik, J., & Puzicha, J. Shape matching and object recognition using shape contexts. IEEE transactions on pattern analysis and machine intelligence, 24(4), 509-522, 2002. [DOI:10.1109/34.993558]
5. [4] Comaniciu, D., & Meer, P. Mean shift: A robust approach toward feature space analysis. IEEE Transactions on pattern analysis and machine intelligence, 24(5), 603-619, 2002. [DOI:10.1109/34.1000236]
6. [5] El-Naqa, I., Yang, Y., Galatsanos, N. P., Nishikawa, R. M., & Wernick, M. N. A similarity learning approach to content-based image retrieval: application to digital mammography. IEEE transactions on medical imaging, 23(10), 1233-1244, 2004. [DOI:10.1109/TMI.2004.834601] [PMID]
7. [6] Frey, B. J., & Dueck, D. Clustering by passing messages between data points. Science, 315(5814), 972-976, 2007. [DOI:10.1126/science.1136800] [PMID]
8. [7] Huang, G., Song, S., Gupta, J. N., & Wu, C. Semi-supervised and unsupervised extreme learning machines. IEEE Transactions on Cybernetics, 44(12), 2405-2417, 2014. [DOI:10.1109/TCYB.2014.2307349] [PMID]
9. [8] Jain, A. K., Murty, M. N., & Flynn, P. J. Data clustering: a review. ACM computing surveys (CSUR), 31(3), 264-323, 1999.
10. [9] Jain, A. K. Data clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666, 2010. [DOI:10.1016/j.patrec.2009.09.011]
11. [10] Johnson, S. C. Hierarchical clustering schemes. Psychometrika, 32(3), 241-254, 1967. [DOI:10.1007/BF02289588] [PMID]
12. [11] Koyuturk, M., Grama, A., & Ramakrishnan, N. Compression, clustering, and pattern discovery in very high-dimensional discrete-attribute data sets. IEEE Transactions on Knowledge and Data Engineering, 17(4), 447-461, 2005. [DOI:10.1109/TKDE.2005.55]
13. [12] Latecki, L. J., Lakamper, R., & Eckhardt, T. Shape descriptors for non-rigid shapes with a single closed contour. In Computer Vision and Pattern Recognition, 2000. Proceedings. IEEE Conference on (Vol. 1, pp. 424-429). IEEE, 2000. [DOI:10.1109/CVPR.2000.855850]
14. [13] Ling, H., & Jacobs, D. W. Shape classification using the inner-distance. IEEE transactions on pattern analysis and machine intelligence, 29(2), 2007. [DOI:10.1109/TPAMI.2007.41]
15. [14] Liu, H., Liu, T., Wu, J., Tao, D., & Fu, Y. Spectral ensemble clustering. In Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining (pp. 715-724). ACM, 2015, August. [DOI:10.1145/2783258.2783287]
16. [15] Liu, H., Shao, M., Li, S., & Fu, Y. Infinite ensemble for image clustering. In Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, August. [DOI:10.1145/2939672.2939813]
17. [16] Maes, F., Collignon, A., Vandermeulen, D., Marchal, G., & Suetens, P. Multimodality image registration by maximization of mutual information. IEEE transactions on medical imaging, 16(2), 187-198, 1997. [DOI:10.1109/42.563664] [PMID]
18. [17] Peng, Y., Zheng, W. L., & Lu, B. L. An unsupervised discriminative extreme learning machine and its applications to data clustering. Neurocomputing, 174, 250-264, 2016.
https://doi.org/10.1016/j.neucom.2014.11.097 [DOI:10.1016/j.neucom.2015.03.118]
19. [18] Reynolds, D. Gaussian mixture models. Encyclopedia of biometrics, 827-832, 2015. [DOI:10.1007/978-1-4899-7488-4_196]
20. [19] Samaria, F. S., & Harter, A. C. Parameterisation of a stochastic model for human face identification. In Applications of Computer Vision, 1994., Proceedings of the Second IEEE Workshop on (pp. 138-142). IEEE, 1994, December. [DOI:10.1109/ACV.1994.341300]
21. [20] Sculley, D. Web-scale k-means clustering. In Proceedings of the 19th international conference on World Wide Web (pp. 1177-1178). ACM, 2010, April. [DOI:10.1145/1772690.1772862]
22. [21] Soheily-Khah, S., Douzal-Chouakria, A., & Gaussier, E. Generalized k-means-based clustering for temporal data under weighted and kernel time warp. Pattern Recognition Letters, 75, 63-69, 2016. [DOI:10.1016/j.patrec.2016.03.007]
23. [22] Steinbach, M., Karypis, G., & Kumar, V. A comparison of document clustering techniques. In KDD workshop on text mining (Vol. 400, No. 1, pp. 525-526), 2000, August.
24. [23] Tuma, M. N., Scholz, S. W., & Decker, R. THE APPLICATION OF CLUSTER ANALYSIS IN MARKETING RESEARCH: A LITERATURE ANALYSIS. B> Quest, 2009.
25. [24] Von Luxburg, U. A tutorial on spectral clustering. Statistics and computing, 17(4), 395-416, 2007. [DOI:10.1007/s11222-007-9033-z]
26. [25] Wang, B., Mezlini, A. M., Demir, F., Fiume, M., Tu, Z., Brudno, M., & Goldenberg, A. Similarity network fusion for aggregating data types on a genomic scale. Nature methods, 11(3), 333-337, [26] Wu, J., Liu, H., Xiong, H., Cao, J., & Chen, J. K-means-based consensus clustering: A unified view. IEEE Transactions on Knowledge and Data Engineering, 27(1), 155-169, 2015.
27. [27] Zhang, Z., Pati, D., & Srivastava, A. Bayesian clustering of shapes of curves. Journal of Statistical Planning and Inference, 166, 171-186, 2015. [DOI:10.1016/j.jspi.2015.04.007]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
