ارائه روشی جدید در خوشه بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c- means

دسته بندي : کالاهای دیجیتال » رشته برق و مخابرات (آموزش_و_پژوهش)

نوع فایل: word (قابل ویرایش)

تعداد صفحات : 106 صفحه

چکیده

خوشه بندی قرار دادن داده ها در گروه هایی است که اعضای هر گروه از زاویه خاصی به هم شباهت دارند . شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل م ی باشد.
Fuzzy c-means نیز یک تکنیک خوشه¬بندی فازی است که علی¬رغم حساس بودن به مقدار دهی اولیه و همگرائی به نقاط بهیـــنه محلی ، به دلیل کارآمد بودن و پیاده سازی آسان، یکی از متداول¬ترین روش ها می¬باشد. در این رساله جهت رفع مشکلات موجود از روش ترکیبی مبتنی بر الگوریتم خفاش و Fuzzy c-means بهره گرفته -خواهد ¬شد. به منظور اعتبارسنجی، روش پیشنهادی بر روی چندین داده متفاوت مشهور پیاده سازی می گردد و نتــایج با روش¬های الگوریتم¬ جستجوی ممنوع، مورچگان، اجتماع ذرات، آبکاری فولاد و k-means مقایسه خواهد گردید. توانایی بالا و مقاوم بودن این روش بر اساس نتایج مشهود خواهد بود.

کلید واژه:خوشه بندی اطلاعات-ترکیب الگوریتم-Fuzzy c- means

فهرست مطالب

۱- فصل اول: مقدمه 2
1-1- بیان مسأله 3
1-2- پیشینه تحقیق 4
1-3- هدف تحقیق 5
1-4- اهمیت تحقیق ۵
1-5- گفتارهای پایان نامه ۸
۲- فصل دوم: خوشه بندی بر مبنای الگوریتم Fuzzy c-means 10
2-1- مقدمه ۱۱
2-2- خوشه بندی اطلاعات ۱۱
2-2-1- تفاوت خوشه¬بندی و طبفه¬بندی 13
2-2-2-کاربردهای خوشه¬بندی۱۳
2-2-3- انواع خوشه¬ها۱۵
2-2-4- مراحل خوشه بندی ۱۵
2-2-5- انواع روش های خوشه بندی ۱۸
2-2-6- خوشه بندی سلسله مراتبی ۱۸
2-2-6-1- خوشه بندی سلسله مراتبی تقسیم شونده ۱۹
2-2-6-2- خوشه بندی سلسله مراتبی متراکم شونده ۱۹

2-2-7- خوشه بندی افراز¬بندی یا پارتیشنی 22
2-2-7-1- الگوریتم k-means 23
2-2-8- خوشه بندی همپوشانی۲۶
2-2-8-1- خوشه بندی فازی۲۷
۳- فصل سوم: بهینه سازی بر مبنای الگوریتم خفاش ۳۳
3-1- مقدمه ۳۴
3-2- شرح مسئله بهینه سازی ۳۵
3-3- روش های حل مسائل بهینه سازی ۳۹
3-3-1- الگوريتم بهینه¬سازی توده ذرات ۴۳
3-3-2- الگوريتم جفت گیری زنبور عسل ۴۵
3-3-3- الگوریتم مورچگان ۴۶
3-3-4- الگوریتم الگوي جستجوي ممنوع ۴۸
3-3-5-الگوریتم آبکاری فولاد ۴۹
3-3-6- الگوریتم خفاش 51
3-3-7-راه¬حلهای پیشنهادی برای بهبود عملکرد الگوریتم خفاش ۵۴
3-3-7-1-انتخاب جمعیت اولیه بر اساس قاعده نولید عدد متضاد ۵۴
3-3-7-2-استراتژی جهش خود تطبیق ۵۵
3-4- معیارهای مقایسه الگوریتمهای بهینه¬سازی ۵۸
3-4-1- کارایی۵۸
3-4-2- انحراف استاندارد ۵۸
3-4-3- قابلیت اعتماد۵۹
3-4-4- سرعت همگرایی۵۹

3-5-تعریف مسایل عددی گوناگون ۶۰
3-5-1-تابع Rosenbrock 61
3-5-2- تابع Schewefel 62
3-5-3- تابع Rastragin 63
3-5-4- تابعAchley 64
3-5-5- تابع Greiwank 65
۴- فصل چهارم: الگوریتم پیشنهادی ۶۶
4-1- مقدمه ۶۷
4-2- خوشه بندی اطلاعات به روش ترکیبی پیشنهادی ۶۸
4-3- تنظیم پارامترهای الگوریتم پیشنهادی ۷۱
4-4- بررسی نتایج حاصل از الگوریتم پیشنهادی و مقایسه آن با دیگر الگوریتم ها۷۱
4-4-1- معرفی داده های استفاده شده و نتایج شبیه سازی مربوط به آن 72
4-4-1-1- مجموعه داده Iris 72
4-4-1-2- مجموعه داده Wine 75
4-4-1-3- مجموعه داده CMC 77
4-4-1-4- مجموعه داده Vowel 80
۵- فصل پنجم: نتیجه گیری و پیشنهادات ۸۲
5-1- نتیجه ۸۳
5-2- پیشنهاد کارهای آینده ۸۴