دوره 19، شماره 4 - ( 12-1401 )                   جلد 19 شماره 4 صفحات 120-95 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abbasi S, Nejatian S, Parvin H, Rezaei V, Bagheri Fard K. The ensemble clustering with maximize diversity using evolutionary optimization algorithms. JSDP 2023; 19 (4) : 8
URL: http://jsdp.rcisp.ac.ir/article-1-1144-fa.html
عباسی صدراله، نجاتیان صمد، پروین حمید، رضایی وحیده، باقری فرد کرم اله. خوشه‌بندی ترکیبی با بیشینه‌سازی تنوع با به-کارگیری الگوریتم‌های بهینه‌سازی تکاملی. پردازش علائم و داده‌ها. 1401; 19 (4) :95-120

URL: http://jsdp.rcisp.ac.ir/article-1-1144-fa.html

خوشه‌بندی ترکیبی با بیشینه‌سازی تنوع با به-کارگیری الگوریتم‌های بهینه‌سازی تکاملی
صدراله عباسی ، صمد نجاتیان* ، حمید پروین ، وحیده رضایی ، کرم اله باقری فرد
دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران
چکیده:   (727 مشاهده)
خوشه‌بندی داده‌ها یکی از مراحل اصلی در داده‌کاوی است که وظیفه کاوش الگوهای پنهان در داده‌های بدون برچسب را بر عهده دارد. به خاطر پیچیدگی مسئله و ضعف روش‌های خوشه‌بندی پایه، امروزه اکثر مطالعات به­سمت روش‌های خوشه‌بندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهم‌ترین عواملی است که می‌تواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشه‌بندی ترکیبی مورد توجه قرار گرفته‌اند. در این­جا یک چارچوب جدید برای بهبود کارایی خوشه‌بندی ترکیبی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه‌ای از خوشه‌های اولیه می‌باشند روش ارائه شده نشان می­دهد که  استفاده از زیرمجموعه‌ای از نتایج خوشه‌بندی‌های اولیه می‌تواند بهتر از استفاده از کل نتایج باشد همچنین معیاری را پشنهاد می­دهد  که چگونه  نتایج اولیه نسبت به هم ارزیابی شوند. این تحقیق معیاری ارایه می­دهد که به وسیله آن میتوان تشخیص داد کدام زیرمجموعه از نتایج اولیه می‌تواند منجر به بهبود عملکرد خوشه‌بندی ترکیبی شود.  از آن­جایی که الگوریتم­های هوشمند تکاملی توانسته­اند اکثریت مسائل پیچیده مهندسی را حل نمایند، در این مقاله نیز از این روش­های هوشمند برای انتخاب زیرمجموعه­ای از خوشه­های اولیه استفاده شده است.  این انتخاب به کمک سه روش هوشمند (الگوریتم ژنتیک، شبیه­سازی تبرید و الگوریتم ازدحام ذرات) انجام می­گیرد. ایده‌های اصلی در روش‌های پیشنهادی برای انتخاب زیرمجموعه‌ای از خوشه‌ها، استفاده از خوشه‌های پایدار به کمک الگوریتم­های جستجوی هوشمند (الگوریتم­های تکاملی) می‌باشند. برای ارزیابی خوشه‌ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است. در آخر نیز خوشه­های انتخاب شده را به کمک چندین روش ترکیب نهایی با هم جمع می­­کنیم. نتایج تجربی روی چندین مجموعه داده استاندارد و با معیارهای ارزیابی اطلاعات متقابل نرمال شده، فیشر و دقت در مقایسه با روش­­های علیزاده، عظیمی، Berikov ، CLWGC، RCESCC، KME، CFSFDP،DBSCAB، NSC و Chenنشان می‌دهد که روش­های‌ پیشنهادی می‌تواند به طور موثری روش ترکیب کامل  را بهبود دهد.
 
 
کلیدواژه‌ها: بهینه ­سازی محلی،  پراکندگی، الگوریتم­های تکاملی، ماتریس همبستگی،  پراکندگی.
شماره‌ی مقاله: 8
واژه‌های کلیدی: بهینه‌سازی محلی، تنوع، الگوریتم‌های تکاملی، ماتریس همبستگی، تنوع.
متن کامل [PDF 1239 kb]   (246 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1399/2/28 | پذیرش: 1401/2/21 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29
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.