ليست مقالات فارسي خوشه بندی
 

به كارگيري روش هاي خوشه بندي در ريزآرايه dna
 

يك روش تركيبي مبتني بر خوشه بندي براي حل مساله فروشنده دوره گرد با مقياس بزرگ
 

يك روش تركيبي مبتني بر خوشه بندي براي حل مساله فروشنده دوره گرد با مقياس بزرگ
:rolleyes:

خلاصه مقاله:

يكي از مسائل بسيار مهم در تئوري گراف ها، مساله فروشنده دوره گرد مي باشد كه يك مساله NP-Complete است. اكثر مسائلي كه مي توان انها را با مساله فروشنده دوره گرد مدل كرد، داراي مقياس خيلي بزرگ هستند كه الگوريتم هاي موجود قادر به حل انها در يك زمان قابل قبول نيستند. آتوماتاهاي يادگير و الگوريتم هاي ژنتيكي هر دو از ابزارهاي جستجو مي باشند كه براي حل بسياري از مسائل NP-Complete بكار برده ميشوند. در اين مقاله يك الگوريتم تركيبي (الگوريتم ژنتيك + آتوماتاي يادگير) مبتني بر خوشه چيني براي حل مساله فروشنده دوره گرد با مقياس بزرگ پيشنهاد شده است. اين الگوريتم ابتدا با استفاده از تكنيك خوشه بندي، مساله اصلي را به چند زير مساله با مقياس كوچك افراز كرده و سپس از دو روش الگوريتم هاي ژنتيكي و اتوماتاي يادگيري بطور همزمان براي جستجو در فضاي حالت و حل هر زير مساله استفاده مي نمايد، نشان داده شده است كه با استفاده همزمان از آتوماتاي يادگير و الگوريتم ژنتيك در فرايند جستجو، سرعت رسيدن به جواب افزايش چشمگيري پيدا ميكند و همچنين از بدام افتادن الگوريتم در حداقل هاي محلي جلوگيري مي نمايد. نتايج آزمايش ها، برتري الگوريتم تركيبي را نسبت به الگوريتم ژنتيكي و آتوماتاهاي يادگير نشان ميدهد و همچنين با استفاده از تكنيك خوشه بندي و اجراي الگوريتم تركيبي بطور همزمان بر روي هر خوشه – با يك سيستم چند پردازنده اي – مي توان زمان لازم براي حل مساله را به حداقل مقدار ممكن كاهش داد.

كلمات كليدي:

مساله فروشنده دوره گرد ، آتوماتاي يادگير ، الگوريتم ژنتيك ، خوشه بندي

ارائه روشي جديد مبتني بر الگوريتم K-Means براي حل مسئلة خوشه بندي توزيع شده
 

ارائه روشي جديد مبتني بر الگوريتم K-Means براي حل مسئلة خوشه بندي توزيع شده
:8:

ارائه يك الگوريتم K-means بهبوديافته به كمك مفاهيم پاداش
 

ارائه يك الگوريتم K-means بهبوديافته به كمك مفاهيم پاداش
:43::53::105:

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

ارایه یک الگوریتم K-means چند سطحی جهت کاهش اثرات نویز در محیط های مستعد خطا با استفا
 

ارایه یک الگوریتم K-means چند سطحی جهت کاهش اثرات نویز در محیط های مستعد خطا با استفاده از خوش نامی منابع

کلمات کلیدی:
داده کاوی - الگوریتم K-means - خوش نامی - اعتماد - نویز - خوشه بندی - وزن گذاری چند سطحی

ارائه روش تركيبي مبتني بر الگوريتم hits و تشخيص آنومالي براي كشف ماشينهاي ارسال كننده
 

ارائه روش تركيبي مبتني بر الگوريتم hits و تشخيص آنومالي براي كشف ماشينهاي ارسال كننده هرزنامه در يك شبكه هدف

:39:

بهبود روش خوشه بندي مورچه اي به كمك اتوماتاهاي يادگير
 

بهبود روش خوشه بندي مورچه اي به كمك اتوماتاهاي يادگير
Improving Ant based Clustering Technique using Learning Automata

خوشه بندي ساختار وب
 

تکنيک هاي خوشه بندي
 

clustering techniques
:26::15:
تکنيک هاي خوشه بندي

به كارگيري خوشه بندي فازي در ريزآرايه dna
 

به كارگيري خوشه بندي فازي در ريزآرايه dna
:26:

كاهش بعد تصاوير فراطيفي از طريق خوشه بندي فازي باندها
 

كاهش بعد تصاوير فراطيفي از طريق خوشه بندي فازي باندها


چکيده:
اين مقاله يك روش نوين جهت انتخاب باند از تصاوير فراطيفي از طريق خوشه بندي باندها ارائه مي دهد. نوآوري اصلي اين تحقيق در دو موضوع قرار مي گيرد: الف- ارائه يك فضاي محاسباتي جديد با نام فضاي پديده كه در آن باندها بر اساس انعكاس طيفي پديده ها داراي بردار مشخصه مي شودد. ب- ارائه معيار هايي نظير عدم قطعيت و زاويه در فضاي پديده براي شناسايي باندهاي با وابستگي بالا و باندهاي حاوي اطلاعات. پس از آنكه فضاي پديده توسط ميانگين كلاسها ايجاد گرديد، باندها در اين فضا توسط الگوريتم fcm خوشه بندي مي شوند. مجموعه باندهاي با همبستگي بالا از طريق شاخص عدم قطعيت در يك دسته قرار گرفته و نزديك ترين باند به مركز هر دسته به عنوان نماينده باندهاي قرار گرفته در آن دسته معرفي مي شود. از طرفي باندهاي با عدم قطعيت بالا به عنوان باندهاي منفرد معرفي شده كه از ميان آنها باندهاي حاوي اطلاعات از طريق زاويه نسبت به قطر فوق مكعب فضاي پديده شناسايي مي گردند. از آن جا كه دسته بندي باندها مبتني بر الگوريتم خوشه بندي فازي و نظارت نشده است عمل خوشه بندي چندين بار تكرار شده و باندهايي به عنوان نماينده در فضاي پديده معرفي مي شوند كه بيشترين صحت طبقه بندي را به ازاي داده هاي اعتبار سنجي حاصل نمايند. نتايج عملي بر روي يك قطع از تصوير فراطيفي كه به عنوان يك داده چالش آور و مبنا مطرح است نتايج بهتري را نسبت به الگوريتم هاي متداول انتخاب باند نظير پيشرو شناور و پسرو شناور عايد كرد.


کليدواژگان:
تصاوير فراطيفي،طبقه بندي،انتخاب باند،فضاي پديده

تجزيه و تحليل فضايي خوشه بندي بر اساس الگوريتم ژنتيك
 

شناسايي مدولاسيونهاي خانواده qam از روي منظومه آن براساس انطباق الگو و بكارگيري الگور
 

شناسايي مدولاسيونهاي خانواده qam از روي منظومه آن براساس انطباق الگو و بكارگيري الگوريتم خوشه بندي ttsas
:4::26:

يافتن بهينه‌ترين تعداد خوشه‌ها در پايگاه تصوير با تركيب شبكه‌هاي
 

يافتن بهينه‌ترين تعداد خوشه‌ها در پايگاه تصوير با تركيب شبكه‌هاي خودسازمان‌ده و روش k-means
:52:

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

کاربرد الگوریتم های خوشه بندی در تشخیص توزیع بهینه برنامه های محاسباتی
 

کاربرد الگوریتم های خوشه بندی در تشخیص توزیع بهینه برنامه های محاسباتی شی گراء در سطح شبکه های همگون اختصاصی
:58:

يک روش ترکيبي مبتني بر خوشه بندي براي حل مساله فروشنده دوره گرد با مقياس بزرگ
 

آشنايي با روشهاي خوشه‌بندي
 

آشنايي با روشهاي خوشه‌بندي
:25:

خلاصه سازي چند سندي متون فارسي با استفاده از يك روش مبتني بر خوشه بندي
 

خلاصه سازي چند سندي متون فارسي با استفاده از يك روش مبتني بر خوشه بندي

خلاصه مقاله:
در اين مقاله، يك روش جديد مبتني بر خوشه بندي براي خلاصه سازي چند سندي متون فارسي پيشنهاد شد. در اين روش، پس از پيش پردازش متن شامل تعيين مرز واژ هها و جمله ها، يكسان سازي متن، حذف واژ ههاي عمومي و شناسايي عناصر متني چندتايي، فرآيند اصلي خلاصه سازي آغاز ميشود. در مرحله ي خلاصه سازي، ابتدا جمله ها خوشه بندي مي شود و سپس به ازاي هر خوشه جملها ي كه بيشترين ارتباط با ساير جمله ها را دارد، گزينش مي شود. در آخرين مرحله ي خلاصه سازي، جمله ها با توجه به ترتيب زماني متن ها (خبري) در خلاصه ي نهايي درج ميشوند. نتايج پياده سازي نشان ميدهند كه در بيشتر موارد خروجي سامانه ي خلاصه سازي پيشنهادي خلاصه ي قابل قبولي را توليد مي كند (بيش از 80 درصد).

كلمات كليدي:
خلاصه سازي چند سندي، پيش پردازش، خوشه بندي، عنصر متني چندتايي

خوشه بندی ترکيبی با استفاده از يک فضای ويژگی جديد
 

خوشه بندی ترکيبی با استفاده از يک فضای ويژگی جديد
:5:

كاربرد خوشه سازي فازي در پهنه بندي فرسايشي: مطالعه موردي
 

كاربرد خوشه سازي فازي در پهنه بندي فرسايشي: مطالعه موردي

با استفاده از روش طبقه بندي (به طور خاص در اين مطالعه، پهنه بندي) پيوسته، مي توان ضمن نمايش تغييرات پديده ها در طبيعت، پيوستگي اين تغييرات را حفظ كرد. نظريه مجموعه هاي فازي، ابزار مناسبي براي مطالعه و نمايش اين پيوستگي مي باشد. به عنوان نمونه اي از كاربرد پهنه بندي پيوسته، خوشه سازي فازي كه از جمله روش هاي تشخيص الگو مي باشد، در مطالعه فرسايش پذيري حوضه آبريز تجن به كار برده شده است. ضمن اينكه نتايج حاصله با نتيجه بدست آمده از روش سنتي psiac، مقايسه شده است و در نهايت، نتيجه كار به كمك روش تركيب ارزش پيكسل ها، به صورت نقشه بندي پيوسته فرسايش پذيري، نمايش داده شده است. اين نقشه ها نشان مي دهند كه فرسايش حتي در مناطقي كه يك كلاس غالب است قابل بررسي و مشاهده گرديده است. همچنين كلاس هايي كه به طور واقعي وجود ندارند و فقط به علت محدوديت هاي حاصل از طبقه بندي گسسته بوجود آمده، حذف گرديده است و تغييرات تدريجي كلاس ها همانگونه كه در طبيعت وجود دارد نمايش داده شده است.

يك الگوريتم خوشه بندي مبتني بر اتوماتاي يادگير سلولي

خلاصه مقاله:
اتوماتاي يادگير سلولي مجموع هاي متشكل از اجزاء ساده بوده كه رفتار هر جزء بر اساس تجربيات گذشت ه و رفتار همسايگانش تعيين و اصلاح م يشود. اجزاء ساده تشكيل دهنده اين مدل، از طريق تعامل با يكديگر رفتار پيچيد هاي از خود نشان م يدهند. هر اتوماتاي يادگير سلولي، از يك اتوماتاي سلولي تشكيل شده است كه هر سلول آن به يك يا چند اتوماتاي يادگير مجهز م يباشد. در اين مقاله ابتدا نسخه اي از اتوماتاي يادگير سلولي كه در آن اتوماتاهاي يادگير م يتواند بين سلو لها حركت كنند پيشنهاد مي شود و سپس يك كاربرد از آن در خوشه بندي ارائه م يگردد. به منظور ارزيابي،
الگوريتم خوشه بندي پيشنهادي بر روي تعدادي دادگان استاندارد آزمايش و نتايج بدست آمده با نتايج حاصله براي الگوريت مهايK-means و ASM مقايسه گرديده است. نتايج مقايسه حاكي از كارايي بالاتر الگوريتم خوشه بندي پيشنهادي نسبت به الگوريت مهايK-means و ASM مي باشد.

كلمات كليدي:
اتوماتاي يادگيري، خوشه بندي

میشه در مورد روش metric learning هم توضیح بدین
اگه منبع ای هم می شنایسن لطفا ضمیمه کنین
اگه فترسی باشه که بهتره
ممنون

mamnon aliiii bod

سلام
میشه یک مقاله با الگوریتم ژنتیک مثلا خوشه بندی یا هر چیز دیگه ای که پیاده سازیش آسون باشه رو بهم معرفی کنید.
باتشکر

سلام،خسته نباشین مقاله ای درمورد خوشه بندی برای تشخیص نفوذمیخوام.

سلام دوستان!
من پروژه پایان دوره کارشناسی ام در مورد بررسی رو شهای فیلترینگ اسپم ها به وسیله یادگیری ماشین هست،اگه کسی مطلب یا مقاله ای در مورد این موضوع داره ،اگه به من بدید ممنون میشم.

سلام خواهشا مقالاتی در مورد خوشه بندی روشها والگوریتم های آن برایم بفرستید

خیلی ممنون از مقالات