Signal and Data Processing

fa یک روش خوشه‌بندی ترکیبی جدید مبتنی بر خوشه‌بند cmeans فازی با حفظ تنوع در اجماع A new ensemble clustering method based on fuzzy cmeans clustering while maintaining diversity in ensemble مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">به‌علت بدون‌ناظر‌بودن مسأله خوشه‌بندی، انتخاب یک الگوریتم خاص جهت خوشه‌بندی یک مجموعه ناشناس امری پر‌خطر و به‌طورمعمول شکست‌خورده است. به‌خاطر پیچیدگی مسأله و ضعف روش‌های خوشه‌بندی پایه، امروزه بیش‌تر مطالعات به سمت روش‌های خوشه‌بندی ترکیبی هدایت شده است. در خوشه‌بندی ترکیبی ابتدا چندین خوشه‌بندی پایه تولید و سپس برای تجمیع آنها، از یک تابع توافقی جهت ایجاد یک خوشه‌بندی نهایی استفاده میشود که بیشینه شباهت را به خوشهبندیهای پایه داشته باشد. خوشه‌بندی توافقی تولید‌شده باید با استفاده از بیشترین اجماع و توافق به‌دست آمده باشد. ورودی تابع یادشده همه خوشه‌بندی‌های پایه و خروجی آن یک خوشه‌بندی بهنام خوشه‌بندی توافقی است. در‌حقیقت روش‌های خوشه‌بندی ترکیبی با این شعار که ترکیب چندین مدل ضعیف بهتر از یک مدل قوی است، به میدان آمده‌اند. با این‌وجود، این ادعا درصورتی درست است که برخی شرایط  همانند تنوع بین اعضای موجود در اجماع و کیفیت آنها رعایت شده باشند. این مقاله یک روش خوشه‌بندی ترکیبی را ارائه داده که از روش خوشه‌بندی پایه ضعیف cmeans فازی به‌عنوان خوشه‌بند پایه استفاده کرده است. همچنین با اتخاذ برخی تمهیدات، تنوع اجماع را بالا برده است. روش خوشه‌بندی ترکیبی پیشنهادی مزیت الگوریتم خوشهبندی cmeans فازی را که سرعت آن است، دارد و همچنین ضعف‌های عمده آن را که عدم قابلیت کشف خوشه‌های غیر‌کروی و غیر‌یکنواخت است، ندارد. در بخش مطالعات تجربی الگوریتم خوشه‌بندی ترکیبی پیشنهادی با سایر الگوریتم‌های خوشه‌بندی مختلف به‌روز و قوی بر روی مجموعه داده‌های مختلف آزموده و با یکدیگر مقایسه شده است. نتایج تجربی حاکی از برتری کارایی روش پیشنهادی نسبت به سایر الگوریتم‌های خوشه‌بندی به‌روز و قوی است.</div> <div style="text-align: justify;">An ensemble clustering has been considered as one of the research approaches in data mining, pattern recognition, machine learning and artificial intelligence over the last decade. In clustering, the combination first produces several bases clustering, and then, for their aggregation, a function is used to create a final cluster that is as similar as possible to all the cluster bundles. The input of this function is all base clusters and its output is a clustering called clustering agreement. This function is called an agreement function. Ensemble clustering has been proposed to increase efficiency, strong, reliability and clustering stability. Because of the lack of cluster monitoring, and the inadequacy of general-purpose base clustering algorithms on the other, a new approach called an ensemble clustering has been proposed in which it has been attempted to find an agreed cluster with the highest Consensus and agreement. In fact, ensemble clustering techniques with this slogan, the combination of several poorer models, is better than a strong model. However, this claim is correct if certain conditions (such as the diversity between the members in the consensus and their quality) are met. This article presents an ensemble clustering method. This paper uses the weak clustering method of fuzzy cmeans as a base cluster. Also, by adopting some measures, the diversity of consensus has increased. The proposed hybrid clustering method has the benefits of the clustering algorithm of fuzzy cmeans that has its speed, as well as the major weaknesses of the inability to detect non-spherical and non-uniform clusters. In the experimental results, we have tested the proposed ensemble clustering algorithm with different, up-to-date and robust clustering algorithms on the different data sets. Experimental results indicate the superiority of the proposed ensemble clustering method compared to other clustering algorithms to up-to-date and strong.</div> یادگیری ترکیبی, خوشه‌بندی ترکیبی, الگوریتم خوشه‌بندی cmeans فازی, اعتبار داده‌ها Ensemble Learning, Ensemble Clustering, Fuzzy Cmeans Clustering Algorithm, Data Validity 103 122 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1757-1&slc_lang=fa&sid=1 fatemeh najafi فاطمه نجفی najafi.un@gmail.com 10031947532846009607 10031947532846009607 No Department of Computer Engineering, Maybod Branch, Islamic Azad University دانشکده فنی و مهندسی، واحد میبد، دانشگاه آزاد اسلامی hamid parvin حمید پروین parvin@iust.ac.ir 10031947532846009608 10031947532846009608 Yes Department of Computer Engineering, Mamasani Branch, Islamic Azad University دانشکده فنی و مهندسی، واحد ممسنی، دانشگاه آزاد اسلامی kamal mirzaei کمال میرزایی kmirzaie.ir@gmail.com 10031947532846009609 10031947532846009609 No Department of Computer Engineering, Maybod Branch, Islamic Azad University دانشکده فنی و مهندسی، واحد ممسنی، دانشگاه آزاد اسلامی samad nejatiyan صمد نجاتیان samad.nej.2007@gmail.com 10031947532846009610 10031947532846009610 No Department of Electrical Engineering, Yasooj Branch, Islamic Azad University دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی seyede vahideh rezaie سیده وحیده رضایی vahideh.rezaie@gmail.com 10031947532846009611 10031947532846009611 No Department of Electrical Engineering, Yasooj Branch, Islamic Azad University دانشگاه آزاد اسلامی، واحد یاسوج