بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means

شبیه سازی مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means با متلب ، عنوان پروژه ای است که در این ساعت از وب سایت مطلب دی ال برای کاربران عزیز آماده کرده و به منظور دانلود قرار داده ایم.در ادامه توضیحات کاملتری در مورد مقاله ” IMPROVING THE CLUSTER PERFORMANCE BY COMBINING PSO AND K-MEANS ALGORITHM ” و شبیه سازی آن آورده شده است.

همچنین بخوانید: خوشه بندی با ترکیب الگوریتم k-means و الگوریتم ژنتیک

مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means

خوشه بندی روشی است که می تواند داده ها را بر اساس اطلاعات موجود که  آن‌ها را توصیف می کند ، به چندین گروه تقسیم کند. روش‌های متنوعی برای خوشه بندی داده ها وجود دارد. در این مقاله روشی بر اساس الگوریتم بهینه سازی PSO و الگوریتم خوشه بندی k-means برای خوشه بندی داده ها ارائه شده است. بر این اساس ، از خواص هر کدام از این الگوریتم ها استفاده شده است. الگوریتم PSO می‌تواند جواب های اولیه خوبی ارائه دهد، اما نمی تواند بهینه سراسری را پیدا کند. اما خوشه بند k-means می‌تواند یک جواب قابل قبول ارائه دهد. ضعف اصلی روش k-means این است که کاربر باید ابتدا تعداد خوشه‌ها را از قبل معین کند.

شبیه سازی مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means با متلب

در بخش قبلی گفتیم که ضعف اصلی روش k-means این است که کاربر باید ابتدا تعداد خوشه‌ها را از قبل معین کند. اما روشی که این مقاله ارائه داده است نیازی به این کار ندارد و به صورت خودکار بهترین تعداد خوشه ها را پیدا می‌کند. این مقاله از معیارهای فاصله درون خوشه ای برای سنجش کارایی خوشه ها استفاده کرده است.

روش مذکور یکی از روش های مفید کاربرد PSO در مسائل بهینه سازی است. روند جزئی تر این مقاله به صورت زیر است:

همچنین بخوانید: خوشه بندی با الگوریتم خوشه بندی birch

در پیاده سازی مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means، سعی کرده ایم روشی بر اساس مقاله‌ مذکور را پیاده سازی کنیم و آن را بهبود دهیم که توانستیم به این هدف دست یابیم. برای این کار از سه مجموعه داده Iris ، Bupa و Wine که مجموعه داده‌های مناسب برای طبقه بندی و خوشه بندی هستند استفاده کردیم. در جدول ۱ توضیحات کلی در مورد مجموعه داده‌های مورد استفاده آورده شده است.

همچنین بخوانید: پیاده سازی خوشه بندی با الگوریتم خوشه بندی DBSCAN با متلب

معیارهای ارزیابی که در مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means مورد استفاده قرار گرفته است به صورت رابطه ۵ در مقاله بوده است. یعنی فاصله داده‌های درون خوشه یا WC که باید کم گردد ، معیار BC یا فاصله های درون خوشه که باید زیاد گردد و نیز معیار دقت طبقه درست که در مقاله تحت عنوان PR معرفی شده است.
لذا تابع هدف در مقاله به صورت زیر قابل بیان است:

دقت شود که رابطه ۵ به صورت زیر نیز می‌تواند نوشته شود:

یعنی تابع برازندگی که در مقاله معرفی شده است، برابر است با ۱ تقسیم بر مقدار WC.

در صورت درخواست می توانیم پیاده سازی مقاله بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means و انواع حالات بهینه شده آن را در اسرع وقت در اختیار شما قرار دهیم.

عنوان مقاله به انگلیسی :  IMPROVING THE CLUSTER PERFORMANCE BY COMBINING PSO AND K-MEANS ALGORITHM
عنوان مقاله به فارسی: بهبود کارایی خوشه بندی بوسیله ترکیب PSO و الگوریتم k-means
زبان مقاله: انگلیسی
کد مقاله: MSH101