دانلود مقاله رشته هوش مصنوعی با عنوان خوشه بندی فازی
خوشه بندی چیست؟
خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد و فرآیند خودکاری است که در طی آن، نمونه ها به دسته هایی که اعضای آن مشابه یکدیگر می با¬شند تقسیم می شوند که به این دسته ها خوشه گفته می¬شود. بنابراین خوشه مجموعه ای از اشیاء می باشد که در آن اشیاء با یکدیگر مشابه بوده و با اشیاء موجود در خوشه های دیگر غیر مشابه می باشند. برای مشابه بودن می توان معیارهای مختلفی را در نظر گرفت مثلا می توان معیار فاصله را برای خوشه بندی مورد استفاده قرار داد و اشیائی را که به یکدیگر نزدیکتر هستند را بعنوان یک خوشه در نظر گرفت که به این نوع خوشه بندی، خوشه بندی مبتنی بر فاصله نیز گفته می شود. بعنوان مثال در شکل 1 نمونه های ورودی در سمت چپ به چهار خوشه مشابه شکل سمت راست تقسیم می شوند. در این مثال هر یک از نمونه های ورودی به یکی از خوشه ها تعلق دارد و نمونه ای وجود ندارد که متعلق به بیش از یک خوشه باشد.
خوشه بندی فازی چیست؟
برای درک بهتر خوشه بندی فازی و الگوریتمهای مختلف آن لازم است تا ابتدا با مفهوم مجموعه های فازی و تفاوت آنها با مجموعه های کلاسیک آشنا شویم. در مجموعه های کلاسیک یک عضو از مجموعه مرجع یا عضوی از مجموعه A است یا عضو مجموعه A نیست. مثلا مجموعه مرجع اعداد حقیقی را در نظر بگیرید. عدد 2.5 عضو مجموعه اعداد صحیح نمی باشد حال آنکه عدد 2 عضو این مجموعه است. به زبان دیگر تعلق عدد 2.5 به مجموعه اعداد صحیح 0 است و تعلق عدد 2 به این مجموعه 1 است. در واقع می توان برای هر مجموعه یک تابع تعلق تعریف کرد که مقدار این تابع تعلق برای اعضای مجموعه 1 می باشد و برای بقیه 0. در مجموعه های کلاسیک مقدار این تابع تعلق یا 0 است یا 1. حال مجموعه انسان های جوان و پیر را در نظر بگیرید. سوالی که در اینجا مطرح می شود این است که آیا فردی با سن 25 جزء این مجموعه است یا خیر؟ سن 30 چطور؟ 35؟
کلمات کلیدی:
کلاسترینگ
خوشه بندی
کلاسترینگ فازی
خوشه بندی فازی
فهرست مطالب
خوشه بندی چیست؟ 2
شکل 1: خوشه بندی نمونه های ورودی 2
شکل 2: خوشه بندی وسایل نقلیه 3
هدف از خوشه بندی چیست؟ 4
خوشه بندی فازی چیست؟ 4
شکل 3: مجموعه داده پروانه ای 6
شکل 4: خوشه بندی فازی داده 7
الگوریتم خوشه بندی c میانگین: 8
شکل 5 : توزیع یک بعدی نمونه ها 10
شکل 6: خوشه بندی کلاسیک نمونه های ورودی 10
شکل 7: خوشه بندی فازی نمونه ها 11
جدول 1: معیارهای تشابه بر اساس توابع فاصله مختلف 12
الگوریتم خوشه بندی c میانگین برای داده های نویزی: 12
الگوریتم خوشه بندی c میانگین با استفاده از نمونه های برچسب گذاری شده: 13
الگوریتم خوشه بندی c میانگین مبتنی بر آنتروپی: 14
الگوریتم خوشه بندی c میانگین مبتنی بر آنتروپی برای داده های نویزی: 15
الگوریتم خوشه بندی c میانگین با استفاده از یادگیری وزن ویژگی ها: 16
معیارهای کارایی: 18
تابع ارزیابی ضریب افراز 18
تابع ارزیابی آنتروپی افراز 18
تابع Fukuyama and Sugeno 19
تابع Xie and Beni 20
تابع N.Zahid 20
تابع M.Ramze Rezaee 21
مراجع: 24
قیمت: 56٬250 تومان
قیمت: 56٬250 تومان
قیمت: 125٬000 تومان
قیمت: 46٬250 تومان