ارائه یک روش خوشه بندی توزیع شده با قابلیت تشخیص و حذف داده های دورافتاده به کمک تئوری مجموعه های راف فازی

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,388

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSICC15_277

تاریخ نمایه سازی: 26 مهر 1388

چکیده مقاله:

خوشه بندی توزیع شده در دهه گذشته توجه بسیاری ازمحققین را در حوزههای مختلف از کامپیوترهای خوشه ای گرفته تا شبکه های حسگر به خود جلب کرده است. این مقاله روشی نوین برایخوشه بندی توزیع شده ارائه میکند که علاوه بر حفظ اختصاصی بودن دادهها، قابلیت تشخیص داده های دورافتاده را نیز دارد؛ به طوریکه حذف این دادهها باعث افزایش دقت و کارایی خوشه بندی حاصل میشود. روش ارائه شده در این مقاله قادر است داده های دورافتاده را به کمک تئوری مجموعه های راف فازی تشخیص داده و حذف نماید. لازم به ذکر است که اغلب تحقیقات موجود در نظریه مجموعه های راف، با هدف انتخاب ویژگی مناسب توسعه یافته اند؛ اما در این مقاله با رویکردی جدید و توسعه تعریفهای این نظریه، برای اولین بار از تئوری مجموعه- های راف فازی، برای تشخیص و حذف داده های دورافتاده استفاده میشود. از دیگر مزایای مدل پیشنهادی این است که با ترکیب منطق فازی و تئوری مجموعههای راف، علاوه بر داده های نمادی، قابل استفاده برای دادههای عددی نیز میباشد. این روش بر روی تعدادی از داده های استاندارد آزمایش شده و نتایج به دست آمده بیانگر افزایش دقت خوشه بندی و کارایی چشمگیر آن میباشد.

کلیدواژه ها:

خوشه بندی ، خوشه بندی توزیع شده ، خوشه بندی جمعی ، خوشه ، ویژگی ، برچسب ، تئوری مجموعه های راف فازی

نویسندگان

نیلوفر مظفری

کارشناسی ارشد دانشگاه شیراز

محمدعلی نیکویی ماهانی

کارشناسی ارشد دانشگاه شیراز

ستار هاشمی

استادیار دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. K. Jain, M. N. Murty, and P. J. Flynn; ...
  • A. Strehl, J. Ghosh; Cluster ensembles-a knowledge reuse framework for ...
  • G. Karypis, R. Aggarwal, R. Kumar, S. Shekhar; Multi-level HyperGraph ...
  • E. Johnson, H.Kargupta, Collective, hierarchical clustering from distributed heterogeneous data, ...
  • A. Strehl, J. Ghosh, Cluster ensembles-a knowledge ...
  • conference _ Artificial Intelligence, 2002. ...
  • D. Tasolis, M. Vrahatis, Unsupervised distributed clustering, in processing of ...
  • I.S. Dhillon, D.S. Modha, Concept decomposition for large sparse text ...
  • I.S .Dhillon, D.S.Modha, A data-clustering algorithm ...
  • _ distributed memory multiprocessors, _ _ international conference on Knowledge ...
  • R. Jensen, Q. Shen, Fuzzy-Rough Sets Assisted Attribute Selection, IEEE ...
  • R. Jensen, Q. Shen, New Approaches to Fuzzy-Rough Feature Selection, ...
  • R. B. Bhatt and M Gopal, On fuzzy-rough sets approach ...
  • R. B. Bhatt and . Gopal, On the compact computational ...
  • Y.Y. Yao, Decis ion-theoretic rough setmodels, in processing of international ...
  • D. S. Yeung, D. Chen, E. C. C. Tsang, J. ...
  • R. Jensen and Q. Shen, Semantics -preserving dimensionality reduction: Rough ...
  • نمایش کامل مراجع