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
دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران
چکیده: (728 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
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