دانلود مقاله ترجمه شده یک هسته جدید براساس خوشه بندی c mean فازی با اندازه گیری اعتبار خوشه

الگوریتم های خوشه بندی، یک بخش جدایی ناپذیر از تشخیص الگو و هوش محاسباتی هستند. این روش بدون نظارت برای طبقه بندی داده در زیرگروه ها با شباهت براساس درون خوشه ای و بین خوشه ای هستند. در الگوریتم های خوشه بندی فازی، عمدتاً الگوریتم مورداستفاده، الگوریتم c-mean (FCM) فازی است. این الگوریتم FCM تنها برای داده های کروی در هنگامی که ورودی ساختار داده، غیرکروی یا پیچیده است، کارآمد است، این روش ناموفق است. برای این کار، اصلاح FCM توسط برچسب گذاری یک پیکسل به قسمتی با برچسب زدن در مجاورت فوری آن انجام شده است و این اصلاح (تغییر) BCFCM نامیده شده است. از آن جا که آن زمان محاسباتی است و فاقد مقاومت کافی برای نویز برای آن نسخه های هسته ی FCM با محدودیت های مکانی، مانند KFCM است، برای حل اشکالات BCFCM ارائه شده است. در این مقاله، یک الگوریتم خوشه بندی c-mean فازی مبتنی بر هسته جدید (KFCM) برای خوشه بندی ارائه شده است. آن با جایگزینی متریک فاصله استنتاج هسته بر روی فاصله ی اقلیدسی اصلی شناسایی شده است و الگوریتم های مربوطه، الگوریتم c-mean فازی هسته (KFCM) هستند. نتایج آزمایشات نشان می دهند که تکنیک خوشه بندی ارائه شده ، دقت بهتری با نرخ خطای کمتر از الگوریتم BCFCM ارائه می کند.

1-مقدمه

روش خوشه بندی، یک فرایند است که در آن یک مجموعه داده یا پیکسل ها توسط خوشه ها جایگزین می شوند، پیکسل ها ممکن است به دلیل رنگ و بافت مشابه، متعلق به یکدیگر باشند. درمیان روش های خوشه بندی، یکی از مشهورترین روش ها برای خوشه بندی، خوشه بندی فازی است که می تواند اطلاعات را نسبت به خوشه بندی سخت در برخی موارد، حفظ کند. C-meanهای فازی (FCM)، یکی از روش های خوشه بندی فازی هستند. اگرچه این c-meanفازی به خوبی روش خوشه بندی را پذیرفته است، آن برای خوشه کروی بزرگ ناموفق است. زیرا FCM تنها از هنجار مربع برای طبقه بندی شباهت بین نقاط داده استفاده می کند، آن می تواند تنها در خوشه بندی خوشه های «کروی» موفق باشد. اما بسیاری از الگوریتم های خوشه بندی می توانند حاصل FCM برای خوشه بندی مجموعه داده ی کلی تر باشند. این الگوریتم خوشه بندی بدست آمده می تواند با تعویض هنجار مربع در تابع هدف FCM با سایر اقدامات (متریک) شباهت، تشکیل شود...