Signal and Data Processing

fa خوشه‌بندی ترکیبی با بیشینه‌سازی تنوع با به-کارگیری الگوریتم‌های بهینه‌سازی تکاملی The ensemble clustering with maximize diversity using evolutionary optimization algorithms مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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. Data clustering is one of the main steps in data mining, which is responsible for exploring hidden patterns in non-tagged data. Due to the complexity of the problem and the weakness of the basic clustering methods, most studies today are guided by clustering ensemble methods. Diversity in primary results is one of the most important factors that can affect the quality of the final results. Also, the quality of the initial results is another factor that affects the quality of the results of the ensemble. Both factors have been considered in recent research on ensemble clustering. Here, a new framework for improving the efficiency of clustering has been proposed, which is based on the use of a subset of primary clusters, and the proposed method answers the above questions and ambiguities. The selection of this subset plays a vital role in the efficiency of the assembly. Since evolutionary intelligent algorithms have been able to solve the majority of complex engineering problems, this paper also uses these intelligent methods to select subsets of primary clusters. This selection is done using three intelligent methods (genetic algorithm, simulation annealing and particle swarm optimization). In this paper a clustering ensemble method is proposed which is based on a subset of primary clusters. The main idea behind this method is using more stable clusters in the ensemble. The stability is applied as a goodness measure of the clusters. The clusters which satisfy a threshold of this measure are selected to participate in the ensemble. For combining the chosen clusters, a co-association based consensus function is applied. A new EAC based method which is called Extended Evidence Accumulation Clustering, EEAC, is proposed for constructing the Co-association Matrix from the subset of clusters. Experimental results on several standard datasets with normalized mutual information evaluation, Fisher and accuracy criteria compared to Alizadeh, Azimi, Berikov, CLWGC, RCESCC, KME, CFSFDP, DBSCAB, NSC and Chen methods show the significant improvement of the proposed method in comparison with other ones.  Keywords: Clustering Ensemble, local optimization, evolutionary algorithm, correlation matrix, diversity. بهینه‌سازی محلی, تنوع, الگوریتم‌های تکاملی, ماتریس همبستگی, تنوع. Clustering Ensemble, local optimization, evolutionary algorithm, correlation matrix, diversity. 95 120 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2052-1&slc_lang=fa&sid=1 sadrollah Abbasi صدراله عباسی s.abbasi680@gmail.com 100319475328460011650 100319475328460011650 No Department of Computer Engineering, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Samad Nejatian صمد نجاتیان samad.nej.2007@gmail.com 100319475328460011651 100319475328460011651 Yes Department of Electrical Engineering, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران Hamid Parvin حمید پروین parvin@iust.ac.ir 100319475328460011652 100319475328460011652 No Department of Computer Engineering, Islamic Azad University of Noorabad Mamasani, Fars, Iran دانشگاه آزاد اسلامی واحد نورآباد ممسنی، فارس، ایران Vahideh Rezaei وحیده رضایی vahidehrezaie@gmail.com 100319475328460011653 100319475328460011653 No Department of Computer Enineering, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده ریاضی، واحد یاسوج، دانشگاه آزاد اسلامی، کهگیلویه و بویراحمد، ایران Karamollah Bagheri Fard کرم اله باقری فرد k.bagherifard@iauyasooj.ac.ir 100319475328460011654 100319475328460011654 No Department of Computer Engineering, Yasooj Branch, Islamic Azad University, Yasooj, Kohgiloye and Boyerahmad, Iran دانشکده مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران