light box
امتیاز 2.58 خوشه بندی و کلاسترینگ دقیق با استفاده از تنظیم داده های پرت-پراکندگی">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 58
تعداد کلمات : 11000
مجله : IEEE TRANSACTIONS ON SIGNAL PROCESSING
انتشار : 2012
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:خوشه بندی و کلاسترینگ دقیق با استفاده از تنظیم داده های پرت-پراکندگی

 چکیده

علیرغم محبوبیت الگوریتم های خوشه بندی معمولی مانند K-میانگین و خوشه بندی احتمالی ، نتایج خوشه بندی آنها نسبت به حضور محیط در داده حساس است.  حتی  برخی داده های پرت، توانایی این الگوریتم ها را به منظور شناسایی ساختار های پنهان معنی دار  به خطر انداخته و موجب می شود تا برایند غیر قابل اطمینان باشد.. این مقاله الگوریتم های خوشه بندی قوی را توسعه می دهد که نه تنها هدف جمع آوری داده ها ، بلکه همچنین برای شناسایی فاصله های دور است. رویکردهای جدید به حضور کمیاب موارد دوردست در داده ها وابسته است ، که در یک دامنه منتخب و منطقی به کمبودی ترجمه می شود. با استفاده از پراکندگی کمترین دامنه در دامنه دور ، به معنای K قدرتمند آگاهانه و رویکردهای خوشهای احتمالی پیشنهاد شده است. تازگی آنها در شناسایی نقاط دوردست در حالی که کمبودی در حوزه دورافتاده از طریق تنظیم دقیق انتخاب شده دارد ، نهفته است. یک رویکرد نزول مختصات بلوک برای به دست آوردن الگوریتم های تکراری با ضمانت های همگرایی و پیچیدگی بیش از حد محاسباتی بیش از حد با توجه به همتایان غیر قوی خود توسعه یافته است. نسخه های هسته ای از الگوریتم های خوشه بندی قوی همچنین برای رسیدگی به کارآمد با داده های با ابعاد بالا ، شناسایی خوشه های غیرقابل تقسیم و یا حتی اشیاء خوشه ای که توسط بردارها ارائه نمی شوند ، تهیه شده اند. تست های عددی در هر دو مجموعه داده مصنوعی و واقعی ، اعتبار و عملکرد الگوریتم های رمان را تأیید می کند(استفاده از تنظیم داده های پرت-پراکندگی).

کلیه مقالات مرتبط را میتوانید در بخش ترجمه مقالات زیست شناسی ملاحظه کنید.

 

 Title: Robust Clustering Using Outlier-Sparsity Regularization

Abstract

Notwithstanding the popularity of conventional clustering algorithms such as K-means and probabilistic clustering, their clustering results are sensitive to the presence of outliers in the data. Even a few outliers can compromise the ability of these algorithms to identify meaningful hidden structures rendering their outcome unreliable. This paper develops robust clustering algorithms that not only aim to cluster the data, but also to identify the outliers. The novel approaches rely on the infrequent presence of outliers in the data, which translates to sparsity in a judiciously chosen domain. Leveraging sparsity in the outlier domain, outlier-aware robust K-means and probabilistic clustering approaches are proposed. Their novelty lies on identifying outliers while effecting sparsity in the outlier domain through carefully chosen regularization. A block coordinate descent approach is developed to obtain iterative algorithms with convergence guarantees and small excess computational complexity with respect to their non-robust counterparts. Kernelized versions of the robust clustering algorithms are also developed to efficiently handle high-dimensional data, identify nonlinearly separable clusters, or even cluster objects that are not represented by vectors. Numerical tests on both synthetic and real datasets validate the performance and applicability of the novel algorithms.

ثبت دیدگاه

    • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
    • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
    • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

محصولات مشابه
بررسی افزایش بازدهی و بهره وری سازمان با استفاده از تیم های خود مختار و رهبری چابک
خـریـد محـصـول
شبکه‌های اجتماعی و اجتناب از پرداخت مالیات (فرار مالیاتی): شواهدی از بهشت مالیاتی
خـریـد محـصـول
فرار و اجتناب از پرداخت مالیات شرکتی: آیا راه حل، شفافیت مالیاتی است؟
خـریـد محـصـول
همسو سازی راهبردهای زنجیره تأمین با عدم قطعیت‌های محصول
خـریـد محـصـول
بررسی فاکتورهای تاثیرگذار بر اجرای موفق تجارت الکترونیک
خـریـد محـصـول
مروری کامل بر علایم کروناویروس جدید در شرایط همه گیری جهانی COVID-19
خـریـد محـصـول
بررسی همبستگی و ارتباط بین خدمات دهی آنلاین و برخط، اعتماد و نیت و قصد خرید مشتریان
خـریـد محـصـول
تلفیق کننده های سرمایه فکری سازمانی
خـریـد محـصـول
تاثیر مسئولیت پذیری اجتماعی شرکت ها بر رفتار مشتری در بخش بانکداری لبنان
خـریـد محـصـول
ابعاد فرهنگی و سیستم‌های مدیریت ارتباط با مشتری: مطالعه موردی فرافرهنگی
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

برو بالا