پاورپوینت ثمره فر اصلی (pptx) 26 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 26 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا 1 عنوان: Fuzzy c-meansیک متد اولیه برای الگوریتم يک متد جديد مقدار دهی اولیه براي الگوريتم فازیC-means چکیده: در اين مقاله يک متد جدید برای مقدار دهی اولیه در الگوریتم فازی c-mean ارائه می گردد به طوری که 2 مشکل در کارایی خوشه بندی که شامل تعیین مرکز خوشه ها و سرعت پایین محاسبات را حل می کند. در یک فضای نمونه برای تشخیص مراکز خوشه بندی به 2 پارامتر صفحه بندی و چگالی نیاز داریم. بنابراین با تشخیص بهتر مراکز خوشه بندی سعی در بهبود کارایی الگوریتم فازی c-mean داریم. آزمایش نشان می دهد که این متد نتایج خوشه بندی را در یک زمان کوتاه تر بهبود می بخشد.  1-معرفي و ضرورت کار: تحلیل روش های خوشه بندی قدیمی سخت است زیرا هر نمونه را به طور قطعی خوشه بندی می کند بنابراین هر نمونه در یک گروه خاص قرار می گیرد،اما خیلی از مسائل را در جهان واقعی نمی توان به صورت قطعی خوشه بندی کرد از آن جا که تئوری فازی برای مسائل حالت نامعلوم کاربرد دارد ابزاری قدرتمند برای طبقه بندی نرم است. الگوریتم خوشه بندی فازی بر پایه :1-روابط فازی در متد خوشه بندی2-تابع عینی متد خوشه بندی3-متد های خوشه بندی شبکه عصبی می باشد.  کاربرد تابع عینی به دلیل وجود مسایل برنامه ریزی غیرخطی است، به طوری که دسترسی مجموعه داده ها را در خوشه بندی بهینه می کند. تحقیقات نشان داده است که الگوریتم فازی c-mean به پارامتر های اولیه وابستگی زیادی دارد. این تابع عینی خوشه بندی فازی دارای اکسترمم نسبی زیادی است و امکان گیر افتادن در بهینه محلی وجود دارد. همچنین یک عیب دیگری که دارد در مسائل پیچیده تر با داده هایی با ابعاد زیاد زمان زیادی را هدر می دهد که این باعث محدود شدن عملکرد الگوریتم می شود به همین دلیل خیلی از مطالعات برای بهبود خوشه بندی صورت گرفته است.  در حال حاضر 2 روش مقدار دهی وجود دارد: روش اول: ماتریس خوشه بندی اولیه که با این روش کنترل تخمین برای حل بهینه مسئله خوشه بندی پیچیده تر می شود که تقریبا بدون کاربرد است. روش دوم: مرکزهای خوشه بندی را مقدار دهی می کند زیرا تعیین مناسب مرکز های خوشه بندی باعث یافتن بهینه سراسری می شود با گام تکرار کمتر. در حال حاضر برای تعیین بهتر مراکز خوشه بندی از خوشه بندی تپه نوردی و کاهشی استفاده می کنند اما در این 2 نقایصی وجود دارد.  بنابراين در اين مقاله یک متد اولیه برای الگوریتم فازیc-means بر پایه 2 الگوریتم رایج چگالی و صفحه بندی ارائه می دهیم. این 2 الگوریتم توانایی حل مسائل در مقیاس و ابعاد داده بالا با کارایی بالا را دارند، اما این 2 الگوریتم توانای بسط کمی را دارند به طوری که بعد از پایان یافتن خوشه بندی این الگوریتم توانایی تعیین خوشه داده جدید را ندارد. در این مقاله مزایای این 2 الگوریتم را در تخمین مراکز خوشه بندی در فضای نمونه بیان کرده و یک متد اولیه برای الگوریتم فازی c-means در تخمین مرکز ها ارائه می کنیم.  2- الگوريتم فازی C-means ايده­ي اصلي خوشه بندی فازی اين است که مجموعه ي فازي به C کلاس تقسيم ميشود، درجه ي عضويت هر به خوشه iام است. نتایج خوشه بندي در ماتريس درجه ي عضويت ها با نشان داده می شود. با این فرمول الگوريتم FCM ارزش مينيمم از تابع عيني را به شکل زير به خود می گیرد: