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

توضیحات

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