يافتن بهينه‌ترين تعداد خوشه‌ها در پايگاه تصوير با تركيب شبكه‌هاي خودسازمانده و روش k-means
خلاصه مقاله:
تا كنون راهكار مناسبي جهت تعيين بهينه تعداد نرونهاي لايه خروجي در شبكه هاي عصبي خودسازمانده و انتخاب بهينه ترين خوشه هاي نهايي ارائه نشده است .در اين مقاله يك روش دو مرحله اي با تركيب شبكه هاي خودسازمانده و روش k-means ارائه كرده ايم كه مستقل از تعداد نرونهاي لايه خروجي ، بهينه ترين تعداد خوشه ها را در يك پايگاه تصوير تعيين مي كند . در مرحله اول ، ويژگيهاي استخراج شده از تصاوير شامل هيستوگرام ناحيه اي ، تبديل موجك Symlet و مومانهاي رنگ را به يك شبكه خودسازمانده با توپولوژي دو بعدي در لايه خروجي نگاشت داده و در مرحله دوم با استفاده از روش K-means و بهره گيري از معيار اعتبار سنجي Davies-Bouldin ، بهينه ترين تعداد خوشه ها را مشخص كرده ايم . نتايج پياده سازي روش پيشنهادي براي سه شبكه با تعداد نرونهاي 10*10و15*15 و 20*20 در لايه خروجي و حداكثر 20 تكرار در K-means و مقايسه آن با روش k-means كلاسيك نشان داده است كه اين روش با قرار دادن تصاوير در 14 ،15 و 12 دسته ، تعداد بهينه خوشه هاي نهايي را مستقل از تعداد نرونهاي لايه خروجي تعيين مي كند و خطاي خوشه بندي را به مقدار قابل توجهي كاهش مي دهد.
كلمات كليدي:
خوشه‌بندي ،داده‌هاي با ابعاد بالا، شبكه‌هاي عصبي خود سازمان‌ده، روش k-means، معيارهاي اعتبار‌سنجي