دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


عنوان محصول: الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: دوشنبه 17 آبان 1395
توضیحات مختصر: خوشه بندی یک روند یادگیری نظارت نشده است و هیچ دانش قبلی از توزیع داده ها وجود ندارد. مجموعه شی ها/داده ها را در گروه های مشابه که خوشه ها نامیده می شوند سازماندهی می کند و شی های درون یک خوشه شباهت زیادی بهم داشته و با شی های موجود در سایر خوشه ها غیرمشابه هستند. الگوریتم میانگین K کلاسیک (KM) بخاط...
الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K


قیمت قیمت : 16000 تومان
تخفیف تخفیف: 2000 تومان
قیمت نهایی قیمت نهایی: 14000 تومان
601 بازدید
کد مقاله: TTC- 1- 108
نوع فایل : docx
Journal: Elsevier 2010,

Ant clustering algorithm with K-harmonic means clustering
Abstract
Clustering is an unsupervised learning procedure and there is no a prior knowledge of data distribution. It organizes a set of objects/data into similar groups called clusters, and the objects within one cluster are highly similar and dissimilar with the objects in other clusters. The classic K-means algorithm (KM) is the most popular clustering algorithm for its easy implementation and fast working. But KM is very sensitive to initialization, the better centers we choose, the better results we get. Also, it is easily trapped in local optimal. The K-harmonic means algorithm (KHM) is less sensitive to the initialization than the KM algorithm. The Ant clustering algorithm (ACA) can avoid trapping in local optimal solution. In this paper, we will propose a new clustering algorithm using the Ant clustering algorithm with K-harmonic means clustering (ACAKHM). The experiment results on three well-known data sets like Iris and two other artificial data sets indicate the superiority of the ACAKHM algorithm. At last the performance of the ACAKHM algorithm is compared with the ACA and the KHM algorithm.
Keywords: Clustering; K-means; K-harmonic means clustering; Ant clustering algorithm

چکیده
خوشه بندی یک روند یادگیری نظارت نشده است و هیچ دانش قبلی از توزیع داده ها وجود ندارد. مجموعه شی ها/داده ها را در گروه های مشابه که خوشه ها نامیده می شوند سازماندهی می کند و شی های درون یک خوشه شباهت زیادی بهم داشته و با شی های موجود در سایر خوشه ها غیرمشابه هستند. الگوریتم میانگین K کلاسیک (KM) بخاطر پیاده سازی آسان و عملکرد سریعش، رایج ترین الگوریتم خوشه بندی است. ولی KM به مقداردهی اولیه خیلی حساس است، هر چه مراکز بهتری را انتخاب کنیم، به نتایج بهتری دست می یابیم. همچنین، به میزان زیادی در بهینه محلی به دام می افتد. الگوریتم میانگین هارمونیک K (KHM) کمتر از الگوریتم KM به مقداردهی اولیه حساس است. الگوریتم خوشه بندی مورچه (ACA) می تواند از افتادن در دام بهینه محلی جلوگیری کند. در این مقاله، یک الگوریتم خوشه بندی جدید با استفاده از الگوریتم خوشه بندی مورچه با خوشه بندی میانگین هارمونیک K (ACAKHM) پیشنهاد خواهیم کرد. نتایج تجربی روی سه مجموعه داده رایج Iris و دو مجموعه داده مصنوعی دیگر، برتری الگوریتم ACAKHM را نشان می دهند. در نهایت، کارایی الگوریتم ACAKHM با الگوریتم های ACA و KHM مقایسه می شود.
کلمات کلیدی: خوشه بندی، میانگین k، خوشه بندی میانگین هارمونیک k، الگوریتم خوشه بندی مورچه

تعداد صفحات انگلیسی تعداد صفحات انگلیسی:6 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:16 صفحه

تماس با پشتیبانی فروشگاه ترجمه‌های تخصصی

نام و نام خانوادگی*
پست الکترونیکی*
موضوع پیام*
متن پیام*
اطلاعات تماس با فروشگاه ترجمه‌های تخصصی


فروشگاه ترجمه‌های تخصصی
پست الکترونیک :info@ttsell.ir
پست الکترونیک :mailttsell@gmail.com
شماره تلفن تماس:09355907190
کانال تلگرام : t.me/ttsell

  • آدرس: تبریز، خیابان  خاقانی، پاساژ خاقانی، پلاک 119
  • تلفن  تماس: 09355907190
  • تلفن  ثابت : 35250068-041
  •  Mailttsellاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @ttsell:آدرس تلگرام
فروشگاه ترجمه‌های تخصصی از  سال  1387شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.
Scroll to top