خوشه بندی فازی

  • خوشه بندی

    خوشه بندی

    خوشه‌بندی یکی از مهم‌ترین مسایل در حوزه‌ی یادگیری بدون ناظر است. مانند هر مساله‌ی دیگر از این نوع، با یافتن یک ساختار در یک مجموعه داده‌ی بدون برچسب سروکار دارد. به طور غیر رسمی، فرآیند سازمان‌دهی اشیا در چند دسته به طوری که اعضای هر دسته از جنبه‌هایی به هم شبیه باشند را خوشه‌بندی گویند. با این تعریف، یک خوشه مجموعه‌ای از اشیا است که به هم شبیه‌اند و با اشیای مربوط به دیگر خوشه‌ها متفاوتند. هدف خوشه‌بندی، شناسایی دسته‌های طبیعی در یک مجموعه از اشیای برچسب نخورده است. تاکنون الگوریتم‌های فراوانی برای خوشه‌بندی داده‌ها معرفی شده است که از آن میان می‌توان به [Han et al, 2001]، [Jain et al.,1999]، [Duda et al. 2001]، [Kaufman et al., 1990]، [Everitt, 1993]، [Theodoridis and Koutroumbas, 1999] اشاره کرد. با وجود گوناگونی روش‌های خوشه‌بندی، هنوز روشی یکتایی وجود ندارد که بتواند تمام انواع خوشه‌ها را به خوبی شناسایی کند؛ از این رو، این کاربر است که باید با توجه به نیاز‌هایش روش مناسب را بر‌گزیند.‌ تقسیم‌بندی‌های گوناگونی برای روش‌های خوشه‌بندی وجود دارد: سلسله مراتبی  و افراز‌بندی ، انحصاری  و غیر‌انحصاری، فازی و غیر‌فازی و جزیی  و کامل. از این میان، تقسیم‌بندی روش‌های خوشه‌بندی به دو نوع سلسله‌مراتبی و افراز‌بندی یا تو‌در‌تو و غیر‌تودرتو بیش از موارد دیگر مورد توجه است. در خوشه‌بندی افراز‌بندی، با مجموعه‌ای از خوشه‌ها سروکار داریم که روی هم افتادگی ندارند و هر شی تنها به یک خوشه‌تعلق دارد. از سوی دیگر، در خوشه‌بندی سلسله‌مراتبی، خوشه‌ها به صورت تودرتو سازمان می‌یابند و تشکیل یک ساختار درختی می‌دهند.‌ در ادامه، هر یک از این دو دسته به طور دقیق‌تر مورد بررسی قرار خواهند گرفت.‌1- خوشه‌بندی سلسله‌مراتبیخوشه‌بندی سلسله‌مراتبی نوعی از خوشه‌بندی است که در آن خوشه‌ها به صورت تودرتو سازمان می‌یابند. نتیجه‌ی خوشه‌بندی سلسله‌مراتبی روی یک مجموعه داده را می‌توان با یک ساختار درختی به نمایش در آورد. این بازنمایی درختی دندوگرام  نامیده می‌شود.‌یکی از ویژگی‌های مهم روش‌های سلسله مراتبی آن است که برای خوشه‌بندی داده‌هایی که طبیعت سلسله‌مراتبی دارند (مانند دسته‌بندی جانوران)، مناسب است.‌ ویژگی دیگر آنها، این است که هیچ فرضی در مورد تعداد خوشه‌ها نمی‌گیرد. پس از اجرای یک خوشه‌بندی سلسله‌مراتبی، برای بدست آوردن تعداد مشخصی خوشه باید دندوگرام حاصل را از محلی مناسب برش دهیم. نتیجه این کار تعدادی دندوگرام گسسته است که هر کدام متناظر با یک خوشه است.‌ افزون بر این دو ویژگی، گاهی خوشه‌بندی سلسله‌مراتبی خوشه‌های ...



  • فروش پروژه خوشه بندی FCM یا فازی Cmeans جهت قطعه بندی تصویر با نرم افزار MATLAB

    فروش پروژه خوشه بندی FCM یا فازی Cmeans جهت قطعه بندی تصویر با نرم افزار MATLAB

    كد: 1269 عنوان پروژه: فروش پروژه خوشه بندی FCM یا فازی Cmeans جهت قطعه بندی تصویر با نرم افزار MATLAB قالب بندی: m دسته: MATLAB قيمت: 35.000 تومان قابليت اجرا در نرم افزار: MATLAB شرح مختصر: فروش پروژه خوشه بندی FCM یا فازی Cmeans جهت قطعه بندی تصویر با نرم افزار MATLAB عكس خروجی برنامه عکس 1     عکس 2     عکس 3     عکس 4     عکس 5         برای خريد اين پروژه با شماره 09360703858 يا آدرس ايميل [email protected] در تماس باشيد. N: 2136

  • فازی میانگین مرکز (Fuzzy C-mean)

    خوشه بندی یک تکنیک کشف دانش است که در آن داده ها به خوشه های خاص تخصیص داده می شوند هدف از خوشه بندی تخصیص داده ها به مجموعه ای از دسته هاست که در آن داده های هر دسته شباهت و نزدیکی بیشتری با سایر دسته ها دارند.  روش های تحلیل خوشه ها به دو روش عمده سلسله مراتبی و روشهای تفکیکی به دو بخش خوشه بندی سخت و خوشه بندی فازی تقسیم می شوند.در خوشه بندی سخت هر داده به یک و فقط یک خوشه نسبت داده می شود، در حالیکه در خوشه بندی فازی،یک تفکیک فازی صورت می گیرد به این معنی که هر داده با یک درجه تعاق به هرخوشه متعلق است. در شرایط واقعی خوشه بندی فازی طبیعی تر از خوشه بندی سخت است،چون داده های موجود در مرز خوشه های مختلف مجبور به تعلق کامل به یکی از خوشه ها نیستند، و با درجه تعلقی بین 0و1  که نشان دهنده تعلق نسبی آنهاست تفکیک می شوند. الگوریتم خوشه بندی فازی C-means به طور گسترده در قطعه بندی تصاویر پزشکی و تصاویر تشدید مغناطیسی مغز و سینه (MRI )  کاربرد دارد. یکی از مهمترین و پرکاربردترین الگوریتم های خوشه بندی الگوریتم فازی C-means می باشد. آقای benzdak و همکارانش الگوریتم c-meanرا بهبود بخشیده و الگوریتم  FCMرا ارائه کرده اند که در مسائل خوشه بندی گوناگونی به خوبی به کار گرفته شده است .در نسخه فازی این الگوریتم نیز تعداد خوشه ها (c)  از قبل مشخص شده است. الگوریتم استاندارد خوشه بندی Fcm یک روش خوشه بندی تفکیکی است، که از معیار شباهت فاصله اقلیدسی  (ED) برای اندازه گیری شباهت داده ها و خوشه ها استفاده می کند.

  • روشی کارا برای خوشه‌بندی در شبکه‌های حسگر بی‌سیم

      ترجمه مقاله روشی کارا برای خوشه‌بندی در شبکه‌های حسگر بی‌سیم با استفاده از منطق فازی An Efficient Approach for Clustering in Wireless Sensor Network Using Fuzzy Logic 2011 International Conference on Computer Science and Network Technology چکیده: شبکه‌ی حسگر بی‌سیم (WSN) از تعداد زیادی گره‌ی حسگر تشکیل شده که به یکدیگر متصل هستند تا عمل خاصی را انجام دهند. این گره‌ها انرژی، قدرت پردازش و حافظه‌ی محدودی دارند. به دلیل اینکه طول عمر شبکه بستگی به این گره‌ها دارد، منبع انرژی در گره‌ها بسیار مهم است. بنابراین نیاز به روش‌هایی برای کاهش مصرف انرژی در گره‌ها داریم. خوشه‌بندی یکی از روش‌ها برای کاهش مصرف انرژی است. الگوریتم‌های خوشه‌بندی بسیاری معرفی شده‌اند. الگوریتم LEACH یکی از معروف‌ترین این الگوریتم‌‌هاست. در این مقاله، ما یک روش کارا برای خوشه‌بندی با استفاده از منطق فازی با ورودی‌های مناسب پیشنهاد می‌دهیم و آن را با ویژگی‌های خوب LEACH ترکیب می‌کنیم. این روش‌ کاملاً توزیع شده است. بنابراین سرعت آن بیشتر و مصرف انرژی آن کمتر از روش‌های متمرکز است. همچنین روش پیشنهادی ما، ضعف‌های LEACH را بر طرف کرده و کاراتر از روش‌های موجود است. ترجمه مقاله با مهارت کامل و رعایت رقیق نکات نگارشی انجام شده است. کلمات کلیدی: خوشه بندی، شبکه حسگر بی سیم، منطق فازی،‌ WSN، الگوریتم LEACH، Clustering، Fuzzy logic، Sensor network ... فرمت فایل: DOCX (ورد 2007) قابل ویرایش + PDF زبان اصلی تعداد صفحات: 12 برای دانلود فایل اینجا کلیک کنید ------------------------------------------------------- مطالب پیشنهادی:اس ام اس خنده دار | موضوعات بانوان | ازدواج و زناشویی | پزشکی و سلامت | دانلود ترانه | دنیای عکس -------------------------------------------------------

  • فروش پروژه خوشه بندی آفلاین فازی با سری زمانی مکی گلس با نرم افزار MATLAB

    فروش پروژه خوشه بندی آفلاین فازی با سری زمانی مکی گلس با نرم افزار MATLAB

    كد: 2037 عنوان پروژه: فروش پروژه خوشه بندی آفلاین فازی با سری زمانی مکی گلس با نرم افزار MATLAB قالب بندی: m دسته: کامپیوتر - MATLAB قيمت: 20.000 تومان قابليت اجرا در نرم افزار: MATLAB شرح مختصر: فروش پروژه خوشه بندی آفلاین فازی با سری زمانی مکی گلس با نرم افزار MATLAB در این پروژه به خوشه بندی آفلاین فازی با استفاده از سری زمانی مکی گلس (Mackey Glass) پرداخته شده است. عكس خروجی برنامه     برای خريد اين پروژه با شماره 09360703858 يا آدرس ايميل [email protected] در تماس باشيد.

  • خوشه بندی یا کلاسترینگ چیست؟

    خوشه بندی چیست؟ <?xml:namespace prefix = o /> 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 با­شند تقسیم می شوند که به این دسته ها خوشه گفته می­شود. 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. خوشه­ بندی به عمل تقسیم جمعیت ناهمگن به تعدادی از زیر مجموعه­ ها یا خوشه ­های همگن گفته می­شود. وجه تمایز خوشه­بندی از دسته­بندی این است که خوشه­بندی به دسته­های از پیش تعیین شده تکیه ندارد. در دسته­بندی بر اساس یک مدل هر کدام از داده­ها به دسته­ای از پیش تعیین شده اختصاص می­یابد؛ این دسته­ها یا از ابتدا در طبیعت وجود داشته­اند(مثل جنسیت، رنگ پوست و مثال­هایی از این قبیل) یا از طریق یافته­های پژوهش­های پیشین تعیین گردیده­اند. در خوشه­بندی هیچ دستۀ از پیش تعیین شده­ای وجود ندارد و داده­ها صرفاً براساس تشابه گروه­بندی می­شوند و عناوین هر گروه نیز توسط کاربر تعیین می­گردد. به طور مثال خوشه­های علائم بیماری­ها ممکن است بیماری­های مختلفی را نشان دهند و خوشه­های ویژگی­های مشتریان ممکن است حاکی از بخش­های مختلف بازار باشد.خوشه­بندی معمولاً به عنوان پیش درآمدی برای بکارگیری سایر تحلیل­های داده­کاوی یا مدل­سازی به کار می­رود. به عنوان مثال، خوشه­بندی ممکن است اولین گام در تلاش برای تقسیم­بندی بازار باشد؛ برای ایجاد یک قانون که در همۀ موارد کاربرد داشته باشد و به این سؤال پاسخ دهد که مشتریان به چه نوع تبلیغاتی به بهترین نحو پاسخ می­دهند اول باید مشتریان را به خوشه­ های متشکل از افرادی با عادات مشابه خرید تقسیم نمود و سپس پرسید که چه نوع تبلیغاتی برای هر خوشه به بهترین نحو عمل می­ کند.

  • مقاله ترجمه شده روشی کارا برای خوشه‌بندی در شبکه‌های حسگر بی‌سیم با استفاده از منطق فازی

    مقاله  ترجمه شده روشی کارا برای خوشه‌بندی در شبکه‌های حسگر بی‌سیم با استفاده از منطق فازی

    عنوان انگلیسی مقاله: An Efficient Approach for Clustering in Wireless Sensor Network Using Fuzzy Logic عنوان فارسی مقاله: روشی کارا برای خوشه‌بندی در شبکه‌های حسگر بی‌سیم با استفاده از منطق فازی. دسته: فناوری اطلاعات و کامپیوتر فرمت فایل ترجمه شده: WORD (قابل ویرایش) تعداد صفحات فایل ترجمه شده: 12 جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد. _______________________________________ چکیده ترجمه: شبکه‌ی حسگر بی‌سیم (WSN) از تعداد زیادی گره‌ی حسگر تشکیل شده که به یکدیگر متصل هستند تا عمل خاصی را انجام دهند. این گره‌ها انرژی، قدرت پردازش و حافظه‌ی محدودی دارند. به دلیل اینکه طول عمر شبکه بستگی به این گره‌ها دارد، منبع انرژی در گره‌ها بسیار مهم است. بنابراین نیاز به روش‌هایی برای کاهش مصرف انرژی در گره‌ها داریم. خوشه‌بندی یکی از روش‌ها برای کاهش مصرف انرژی است. الگوریتم‌های خوشه‌بندی بسیاری معرفی شده‌اند. الگوریتم LEACH یکی از معروف‌ترین این الگوریتم‌‌هاست. در این مقاله، ما یک روش کارا برای خوشه‌بندی با استفاده از منطق فازی با ورودی‌های مناسب پیشنهاد می‌دهیم و آن را با ویژگي‌های خوب LEACH ترکیب می‌کنیم. این روش‌ کاملاً توزیع شده است. بنابراین سرعت آن بیشتر و مصرف انرژی آن کمتر از روش‌های متمرکز است. همچنین روش پیشنهادی ما، ضعف‌های LEACH را بر طرف کرده و کاراتر از روش‌های موجود است. مقدمه: در سال‌های اخیر با پیشرفت فناوری، از شبکه‌های حسگر بی‌سیم (WSNها) در برنامه‌های مختلفی استفاده شده است. WSN شامل صدها یا هزاران گره‌ی حسگر کوچک است. ایم گره‌ها به یکدیگر متصل شده‌اند تا کار یا کارهای مشخصی را انجام دهند. هر گره در WSN شامل مؤلفه‌هایی مثل آنتن ارتباطی، حافظه‌ کم، مدار حسگر (حسگر دما، نور، رطوبت و ...)، پردازنده‌ی ضعیف و منبع تغذیه‌ی محدود است. WSNها معمولا برای برنامه‌های نظارتی استفاده می‌شود و به محض تغییر در محیط، ایستگاه باخبر می‌شود. WSNها معمولاً در محیط‌هایی که دسترسی انسانی محدود است مثل کوه‌های آتشفشان یا مناطق نظامی استفاده می‌شوند. به دلیل ویژگی‌های خاص شبکه‌های حسگر بی‌سیم، چالش‌های متعددی در این شبکه‌ها وجود دارد. یکی از این چالش‌ها منبع انرژی محدود گره‌هاست. در اکثر موارد، منبع انرژی غیر قابل تعویض و غیر قابل شارژ است. بنابراین باید از روش‌هایی در WSNها استفاده شود که مصرف انرژی گره‌ها را کاهش می‌دهد.  جهت دانلود محصول اینجا کلیک نمایید