ارائه يك الگوريتم K-means بهبوديافته به كمك مفاهيم پاداش
خلاصه مقاله:
خوشهبندي يك روش دستهبنديكردن داده براساس شباهت ميباشد . الگوريتم خوشهبندي K-means نسبت به نويز بسيار حساس است زيرا كه ميزان تاثير نويز و داده هاي واقعي، يكسان مي باشد و اين برمحاسبات خوشه ها و مراكز آن ها تاثيرگذار است و دقت آن ها را كاهش مي دهد. در نتيجه اين الگوريتم در محيط هايي كه مستعد نويز هستند غيرقابل اعمال بوده و در صورت اعمال ، نتايج آن قابل اعتماد نيست . ازطرفي K-means بسيار ساده و داراي سرعت بالايي مي باشد . روش پيشنهادي ماازاين الگوريتم در محيطهايي كه مستعد توليد مقدار قابل توجهي نويز و برون هشت است استفاده كرده و با دقت بالايي عمل خوشه بندي را انجام دهد . با استفاده ازيك الگوريتمK-means وزن گذاري شده چندسطحي كه اين وزن ، ميزان اعتباروخوش نامي منبع توليدكننده آن داده است، اثرنويزراكم ودربرخي موارد اين اثرراكامل حذف مي نمايد . الگوريتم پيشنهادي، اولين الگوريتم بهبوديافته K-means مي باشد كه بادرنظرگرفتن ميزان شهرت و خوش نامي منبع توليدكننده داده به عنوان يك معيار اعتمادودرستي داده، عمل مي كند و درنتيجه داده هاي نويزدار و غيرقابل اعتماد را ازهمان ابتداوارد محاسبات الگوريتم ن مي كند وبه ميزان قابل توجهي ازسربارهاي محاسباتي الگوريتم كاسته شده ودرنهايت درافزايش سرعت الگوريتم تاثيرگذاراست . نتايج شبيه دهد .
كلمات كليدي:
الگوريتم K-means ، خوش نامي ،خوشه بندي، نويز، وزن گذاري چندسطحي