الگوریتم رقابت استعماری برای خوشه بندی داده ها
Publish place: The first national conference on technology and knowledge management focusing on resistance economics
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,160
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
KMTTORBAT01_055
Index date: 6 June 2015
الگوریتم رقابت استعماری برای خوشه بندی داده ها abstract
خوشه بندی داده ها یک ابزار تجزیه وتحلیل برای آمار داده ها است که در زمینه های مختلف ازجمله تشخیص الگو، داده کاوی، یادگیری ماشین، تجزیه وتحلیل تصویر و بیوانفورماتیک کاربرد دارد، و در آن اطلاعات تجزیه وتحلیل می تواند در هراندازه و شکلی باشد. خوشه بندی داده ها روشی برای دسته بندی داده های مشابه است که این روش سال ها در علوم مختلف به کاررفته و الگوریتم های زیادی برای آن طراحی شده است. تحقیقات اخیر خوشه بندی به سمت روش های ترکیبی، دارای قابلیت استحکام، پایداری و دقت هستند. یک تکنیک بهبود یافته استفاده از الگوریتم های تکاملی جدید برای خوشه بندی می باشد. الگوریتم K-means می تواند با انتخاب نامناسب در مرحله مقداردهی اولیه به خطر افتد. این مقاله معایب روش های قبلی خوشه بندی را بیان نموده و در ادامه راهکاری برای برطرف کردن این معایب ارائه می نماید. با استفاده از الگوریتم رقابت استعماری روشی برای خوشه بندی داده ها ارائه داده و نتایج را با راهکارهای قبلی مقایسه کرده که دلیلی بر کارایی الگوریتم نسبت به الگوریتم های قبلی می باشد.
الگوریتم رقابت استعماری برای خوشه بندی داده ها Keywords:
الگوریتم رقابت استعماری برای خوشه بندی داده ها authors
جواد حمیدزاده
استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی سجاد، مشهد، ایران
ساره ایزدپناه
دانشجوی کارشناسی ارشد مهندسی کامپیوتر (نرم افزار)، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، ایران
هما حسین زاده
دانشجوی کارشناسی ارشد مهندسی کامپیوتر (نرم افزار)، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، ایران
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 :