خوشه بندی C-Means فازی مبتنی بر بهینه سازی جست و جوی کلاغ

خوشه بندی C-Means فازی مبتنی بر بهینه سازی جست و جوی کلاغ

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 21

تعداد کلمات : 6800

مجله : SWANSEA PRINTING TECHNOLOGY

انتشار : 2018

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

:

تاریخ انتشار
8 دسامبر 2021
دسته بندی
تعداد بازدیدها
1160 بازدید
25,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:خوشه بندی  C-Means فازی مبتنی بر بهینه سازی جست و جوی کلاغ برای  مقدار دهی سنتروئید بهینه

 چکیده

  خوشه بندی یک تکنیک نظارت نشده است که اشیا را بر اساس کیفیت آنها به چند گروه تقسیم می کند. در الگوریتم‌های خوشه‌بندی نرم مانند C-Means  فازی،  انتخاب مراکز خوشه اولیه به‌صورت تصادفی انجام می‌شود و این به شدت بر حل تأثیر می‌گذارد. با توجه به این انتخاب تصادفی، احتمال تاخیر در نرخ همگرایی وجود دارد و یا احتمال گیر افتادن در راه حل بهینه محلی وجود خواهد داشت. برای حل این مشکلات می توان از یک الگوریتم بهینه سازی استفاده کرد. جستجوی کلاغ یکی از الگوریتم‌های بهینه‌سازی نوظهور است که هدف آن دستیابی به بهینه سراسری و نرخ همگرایی سریع‌تر تنها با استفاده از دو پارامتر تعریف‌شده توسط کاربر است. این مقاله به یک موضوع بدیع می پردازد که الگوریتم جستجوی کلاغ را با خوشه بندی فازی C-Means ترکیب می کند. تجزیه و تحلیل تجربی با استفاده از مجموعه داده های معیار از مخزن داده UCI و مجموعه داده های مصنوعی از دانشگاه فنلاند شرقی انجام می شود. به منظور ارزیابی عملکرد الگوریتم جستجوی FCM-Crow، سه جنبه مانند میزان خطا، مقدار تابع هدف و شاخص‌های اعتبار خوشه‌ای در نظر گرفته می‌شوند. نتایج مجموعه داده‌های معیار با الگوریتم‌های K-Means، FCM-PSO و ACPSO مقایسه شده و الگوریتم پیشنهادی کارآمدتر است(بهینه سازی جست و جوی کلاغ).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Crow Search Optimization based Fuzzy C-Means Clustering for Optimal Centroid Initialization

Abstract

 Clustering is an unsupervised technique that segregates objects into several groups based on their qualities. In soft clustering algorithms like Fuzzy C-Means, the choice of initial cluster centers is done in a random fashion and this heavily influences the solution. Due to this random selection, there is a possibility of delay in convergence rate or there will be a chance of getting stuck in local optimal solution. To solve these problems, an optimization algorithm can be employed. Crow search is one of the emerging optimization algorithms that aim at attaining global optima and faster convergence rate using only two user-defined parameters. This work throws light on a novel work that combines crow search algorithm with Fuzzy C-Means clustering. The experimental analysis is done using benchmark datasets from UCI data repository and artificial datasets from the University of Eastern Finland. In order to evaluate the performance of the FCM-Crow Search algorithm, three aspects like error rate, objective function value and cluster validity indices are considered. The results of benchmark datasets are compared with K-Means, FCM-PSO and ACPSO algorithms and the proposed algorithm is found to be more efficient.