بهبود الگوریتم خوشه بندی K-Means با استفاده از الگوریتم رقابت استعماری
Publish place: اولین همایش ملی فناوری اطلاعات، ارتباطات و محاسبات نرم
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,259
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCSC01_039
تاریخ نمایه سازی: 8 آبان 1395
Abstract:
خوشه بندی را می توان به عنوان مهمترین مسئله در یادگیری بدون نظارت در نظر گرفت. در خوشه بندی سعی می شود تا داده ها به خوشه هایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل شود در این مقاله از فاصله اقلیدسی به عنوان معیاری اندازه گیری شباهت استفاده شده است روشهای مختلفی مانند تقسیم و غلبه K-Means و ژنتیک برای خوشه بندی استفاده شده است. یکی از ضعف های روش K-Means دریافت تعداد خوشه های به عنوان ورودی می باشد در این مقاله بااستفاده از الگوریتم رقابت اسعماری این نقطه ضعف پوشش داده شده است و نتایج آزمایشهای انجام گرفته، نشان می دهد که در مقایسه با الگوریتم K-Means نتایج بهتری حاصل شده است.
Keywords:
Authors
مجید خلیلیان
استادیار دانشکده مکاترونیک دانشگاه آزاد اسلامی واحد کرج ایران
علیرضا حاجی اسکندر
دانشجوی دکترای تخصصی دانشکده دانشگاه آزاد اسلامی واحد کرج 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 :