دانلود مقاله الگوریتم دسته بندی فازی میانگین های C و تنومند با نمونه ی وزن دار
تعداد کلمات فایل انگلیسی :2260 کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه :16 صفحه word فونت 24 Microsoft Uighur
الگوریتم دسته بندی فازی میانگین های C و تنومند با نمونه ی وزن دار
خلاصه
الگوریتم دسته بندی فازی میانگین های C (FCM) به نویز و خارجی ها حساس بوده و مایل به دریافت راه حل های بهینه ی محلی می باشد.الگوریتم دسته بندی فازی و احتمالی میانگین های C (PFCM) و الگوریتم بهبود یافته ی دسته بندی میانگین های C احتمالی (IPCM) در مقابل نویزها مقاوم هستند ولی به دلیل همگرایی اهسته، زمان زیادی مصرف می کنند و در مقابل نویزها به اندازه ی کافی تنومند نیستند. برای غلبه بر این نقوص، این مقاله یک الگوریتم دسته بندی فازی و تنومند میانگین های C با نمونه وزن دار را پیشنهاد می کند که وزن را برای هر نمونه محاسبه می کند.پسمانده ها وزن های خیلی کمتری را دریافت می کنند و اثر ان ها بر مرکز دسته ها محدود می شود و بنابراین تنومندی حاصل می شود. نتایج ازمایشی، اثرگذاری الگوریتم را نشان می دهند. علاوه براین، ایده ی محاسبه ی وزن ها برای نمونه ها را می توان به سایر الگوریتم های دسته بندی فازی به منظور شکل دهی الگوریتم های تنومند جدید اعمال نمود.
مقدمه
الگوریتم دسته بندی فازی میانگین های C (FCM) یکی از معروف ترین الگوریتم های دسته بندی فازی بوده و به علت سادگی و پیچیدگی کم به طور گسترده ای در الگو شناسی، پردازش تصویر و .. مورد استفاده قرار می گیرد. FCM بر اساس قانون دسته بندی خطای حداقل مربعات و عضویت فازی هر نقطه ی داده برای تمام طبقات با مجموع 1 بوسیله ی محدودیت احتمالی می باشد. ولی عضویت فازی همیشه متناظر با مفهوم درجه ی تعلق یا سازگاری نمی باشد و لذا FCM خیلی به نویز و پسماند حساس می باشد
A Sample-Weighted Robust Fuzzy C-Means Clustering
Algorithm
Shi-xiong XIA, Xu-dong HAN*, Bing LIU, Yong ZHOU
Abstract
The Fuzzy c-means clustering (FCM) algorithm is sensitive to noises and outliers and tends to get local optimal solutions. The Possibilistic Fuzzy C-Means (PFCM) clustering algorithm and the Improved Possibilistic C-Means (IPCM) clustering algorithm are resistant to noises but consume too much time because of the slow convergence and what is more, they are not robust enough to noises. To overcome these defects, this paper proposes a sample-weighted robust fuzzy c-means clustering algorithm which calculates the weight for each sample. The outliers will receive much lower weights and their effect on cluster centers is restrained and thus robustness is achieved. The experimental results show the effectiveness of the algorithm. In addition, the idea of calculating weights for samples can be applied to other fuzzy clustering algorithms to form new robust algorithms.
Keywords: sample-weighted; robust; fuzzy c-means clustering
کد:9419
دانلود رایگان مقاله انگلیسی
رمز فایل :www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله الگوریتم دسته بندی فازی میانگین های C و تنومند با نمونه ی وزن دار
تعداد کلمات فایل انگلیسی :2260 کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه :16 صفحه word فونت 24 Microsoft Uighur
الگوریتم دسته بندی فازی میانگین های C و تنومند با نمونه ی وزن دار
خلاصه
الگوریتم دسته بندی فازی میانگین های C (FCM) به نویز و خارجی ها حساس بوده و مایل به دریافت راه حل های بهینه ی محلی می باشد.الگوریتم دسته بندی فازی و احتمالی میانگین های C (PFCM) و الگوریتم بهبود یافته ی دسته بندی میانگین های C احتمالی (IPCM) در مقابل نویزها مقاوم هستند ولی به دلیل همگرایی اهسته، زمان زیادی مصرف می کنند و در مقابل نویزها به اندازه ی کافی تنومند نیستند. برای غلبه بر این نقوص، این مقاله یک الگوریتم دسته بندی فازی و تنومند میانگین های C با نمونه وزن دار را پیشنهاد می کند که وزن را برای هر نمونه محاسبه می کند.پسمانده ها وزن های خیلی کمتری را دریافت می کنند و اثر ان ها بر مرکز دسته ها محدود می شود و بنابراین تنومندی حاصل می شود. نتایج ازمایشی، اثرگذاری الگوریتم را نشان می دهند. علاوه براین، ایده ی محاسبه ی وزن ها برای نمونه ها را می توان به سایر الگوریتم های دسته بندی فازی به منظور شکل دهی الگوریتم های تنومند جدید اعمال نمود.
مقدمه
الگوریتم دسته بندی فازی میانگین های C (FCM) یکی از معروف ترین الگوریتم های دسته بندی فازی بوده و به علت سادگی و پیچیدگی کم به طور گسترده ای در الگو شناسی، پردازش تصویر و .. مورد استفاده قرار می گیرد. FCM بر اساس قانون دسته بندی خطای حداقل مربعات و عضویت فازی هر نقطه ی داده برای تمام طبقات با مجموع 1 بوسیله ی محدودیت احتمالی می باشد. ولی عضویت فازی همیشه متناظر با مفهوم درجه ی تعلق یا سازگاری نمی باشد و لذا FCM خیلی به نویز و پسماند حساس می باشد
A Sample-Weighted Robust Fuzzy C-Means Clustering
Algorithm
Shi-xiong XIA, Xu-dong HAN*, Bing LIU, Yong ZHOU
Abstract
The Fuzzy c-means clustering (FCM) algorithm is sensitive to noises and outliers and tends to get local optimal solutions. The Possibilistic Fuzzy C-Means (PFCM) clustering algorithm and the Improved Possibilistic C-Means (IPCM) clustering algorithm are resistant to noises but consume too much time because of the slow convergence and what is more, they are not robust enough to noises. To overcome these defects, this paper proposes a sample-weighted robust fuzzy c-means clustering algorithm which calculates the weight for each sample. The outliers will receive much lower weights and their effect on cluster centers is restrained and thus robustness is achieved. The experimental results show the effectiveness of the algorithm. In addition, the idea of calculating weights for samples can be applied to other fuzzy clustering algorithms to form new robust algorithms.
Keywords: sample-weighted; robust; fuzzy c-means clustering
کد:9419
دانلود رایگان مقاله انگلیسی
رمز فایل :www.downloadmaghaleh.com