الگوریتم بهبود یافته خوشه بندی C-means فازی براساس تراکم خوشه

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم بهبود یافته خوشه بندی C-means فازی براساس تراکم خوشه

عنوان لاتین

Improved Fuzzy C-means Clustering Algorithm Based on Cluster Density

اگوریتم c-means فازی (FCM) یکی از معروفترین تکنیک های استفاده شده برای خوشه بندی است. به هر حال، FCM معمولی از فاصله اقلیدسی به عنوان معیار شباهت نقاط داده استفاده می کرد، که عیب این معیار این است که منجر می شود مجموعه های داده به صورت مساوی تقسیم بندی شوند. و عملکرد خوشه بندی به شدت تحت تاثیر ساختار داده باشد، مثل شکل خوشه و تراکم خوشه. برای حل این مشکل، فاکتور تنظیم فاصله پیشنهاد شد تا تخمین شباهت را اصلاح کند. این فاکتور براساس تراکم خوشه است، در واقع تراکم خوشه نحوه توزیع سراسری اطلاعات نقاط در خوشه را نمایش می دهد. این پیشنهاد در FCM معمولی برای اصلاح فاصله به کار برده می شود. دو مجموعه که از داده ساختگی و داده UCI استفاده می کنند مورد آزمایش قرار گرفتند، و نتایج حاصل از این دو آزمایش نشان می دهد که الگوریتم پیشنهاد شده به سه الگوریتم خوشه بندی دیگر برتری دارد.

The fuzzy C-means algorithm (FCM) is one of the most popular techniques used for clustering. However, the conventional FCM uses the Euclidean distance as the similarity criterion of data points, which leads to limitation of equal partition trend for data sets. And the clustering performance is highly aected by the data structure including cluster shape and cluster density. To solve this problem, a distance regulatory factor is proposed to correct the similarity measurement. The factor is based on cluster density, which represents the global distribution information of points in a cluster. It is then applied to the conventional FCM for distance correction. Two sets of experiments using articial data and UCI data are operated, and the results show that the proposed algorithm is superior to the other three clustering algorithms