استفاده از الگوریتم بهینه سازی گرگ خاکستری در خوشه یابی کلان داده ها
Publish place: Tabriz Journal of Electrical Engineering، Vol: 50، Issue: 1
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 625
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-50-1_005
تاریخ نمایه سازی: 16 تیر 1399
Abstract:
امروزه حجم بسیار زیادی از اطلاعات و داده ها از منابع مختلف نظیر گوشی های هوشمند، شبکه های اجتماعی، تکنولوژی های عکاسی و سایر منابع تولید می شود. بررسی و پردازش این حجم عظیم از اطلاعات چالش دهه های اخیر است که به آن کلان داده گفته می شود. یکی از روش های پرکاربرد استخراج اطلاعات، خوشه یابی است. خوشه یابی کلان داده ها چالش بزرگی است که توجه بسیاری از محققین را به خود جلب کرده است. در این پژوهش ابتدا یک روش خوشه یابی غیر خودکار (برای حالتی که تعداد خوشه ها از قبل مشخص است) و سپس یک روش خوشه یابی خودکار (قادر به یافتن تعداد خوشه ها) با استفاده از الگوریتم بهینه سازی گرگ خاکستری برای خوشه یابی کلان داده ها ارائه شده است. روش خوشه یابی خودکار یک روش دو مرحله ایست که در مرحله ی اول یک ساختار درخت گونه از الگوریتم مورد نظر برای یافتن تعداد خوشه ها اجرا می شود و در مرحله ی دوم الگوریتم اصلی فضا را برای یافتن موقعیت مراکز خوشه ها جست وجو می کند. عملکرد روش ارائه شده بر روی 13 مجموعه داده ی مصنوعی و 2 مجموعه کلان داده ی واقعی مربوط به مسیرهای طی شده توسط خودروها در سطح شهر پیزا مورد ارزیابی قرار گرفته و نتایج آن بررسی شده است. نتایج به دست آمده نشان از دقت بالای این الگوریتم در خوشه یابی داده های بزرگ و حجیم دارد.
Keywords:
Authors
ایمان بهروان
دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند
سید حمید ظهیری
دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند
سید محمد رضوی
دانشکده مهندسی برق و کامپیوتر- دانشگاه بیرجند
روبرتو ترازارتی
آزمایشگاه استخراج اطلاعات و داده کاوی- موسسه علوم و فناوری اطلاعات- پیزا- ایتالیا
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :