توضیحات
شبیه سازی مقاله الگوریتم خوشه بندی C-Means فازی با متلب
چکیده مقاله:
الگوریتم Fuzzy C-Means (FCM) معمولا برای خوشه بندی استفاده می شود. عملکرد الگوریتم FCM بستگی به انتخاب مرکز خوشه اولیه و / یا مقدار عضویت اولیه دارد. اگر یک مرکز خوشه ای اولیه خوب نزدیک به مرکز خوشه نهایی واقعی پیدا شود، الگوریتم FCM بسیار سریع همگام می شود و زمان پردازش می تواند به شدت کاهش یابد. نویسندگان پیشنهاد یک الگوریتم جدید برای خوشه بندی کارآمد می کنند. این الگوریتم یک FCM اصلاح شده به نام الگوریتم psFCM است که به طور قابل توجهی زمان لازم برای تجزیه یک مجموعه داده به خوشه های دلخواه را کاهش می دهد. ما مرکز خوشه واقعی را با استفاده از یک مجموعه ساده از مجموعه داده اصلی کامل پیدا می کنیم. این مقدار ارزش اولیه الگوریتم FCM را برای سرعت بخشیدن به زمان همگرایی بهبود می بخشد. آزمایشات ما نشان می دهد که الگوریتم PSFCM پیشنهاد شده به طور متوسط 4 برابر سریع تر از الگوریتم FCM اصلی است. ما همچنین نشان می دهیم که کیفیت الگوریتم psFCM پیشنهادی مشابه الگوریتم FCM است.
خلاصه پروژه:
ابتدا تعداد خوشه ها را با استفاده از شاخص های اعتبارسنجی بدست می اوریم و بعد با استفاده از تکنیک خوشه بندی fuzzy c-means ( و 2 روش خوشه بندی دیگر که در ادامه به ان اشاره شده)خوشه بندی داده ها را انجام می دهیم و بعد این خوشه ها را برچسب گذاری می کنیم و داده ها را به دو قسمت آموزشی و تست تقسیم می کنیم ازیک شبکه عصبی مصنوعی استفاده می کنیم که خروجی این شبکه عصبی همان تعداد خوشه ها است.
70% داده ها را برای اموزش شبکه عصبی در نظر می گیریم مثلا کاربر x می دانیم در خوشه 2 است این کاربر را همراه با جوابش به شبکه عصبی می دهیم و خروجی شبکه عصبی را بدست می اوریم وبا خروجی مطلوب که از قبل مشخص است مقایسه می کنیم و مقدار خطا بدست می اید خطا را در جهت رو به عقب در شبکه گسترش می دهیم و وزنها را اصلاح می کنیم(وزنهای بین لایه خروجی و لایه پنهان و وزنهای میان لایه پنهان و لایه ورودی) و کاربر بعدی را به شبکه عصبی می دهیم و همان گونه وزنها را اصلاح می کنیم و اینگونه شبکه اموزش می یابد و از کاربران قسمت تست که 30% داده ها را تشکیل می دهند استفاده می کنیم شبکه عصبی باید تشخیص دهد که این کاربر در کدام خوشه قرار می گیرد.
مرحله آموزش برای تمام زوج بردارهای آموزشی و به تعداد تکرارهای لازم در شبکه عصبی، تکرار می شود. و در پایان هر تکرار وزن های شبکه عصبی با استفاده فرمول بروز رسانی وزن ها انجام می شود.
پس از پایان تمام تکرار ها وزن های به دست آمده وزن های نهایی شبکه عصبی بوده و با استفاده از این وزن ها می توان داده های آزمایشی را طبقه بندی کرد. برای نمونه اگر یک بردار آزمایش به صورت (4,1,4,2) باشد شبکه باید تشخیص دهد در کدام خوشه قرار می گیرد.
شبیه سازی مقاله الگوریتم خوشه بندی C-Means فازی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.