1-8-2-4 دیگر روشهای خوشه بندی سلسله مراتبی…………………………………..16
1-8-3 روش مبتنی برچگالی………………………………………………………………………..18
1-8-3-1 الگوریتم خوشهبندی براساس چگالی DBSCAN……………………………
1-8-3-2 الگوریتم سلسله مراتبی خوشهبندی براساس چگالی OPTICS …………..
1-8-4 روشهای مبتنی بر شبکه های مشبک (Grid based)……………………………..
1-8-5 روشهای مبتنی بر مدل………………………………………………………………………..23
1-8-6 روش های فازی………………………………………………………………………………..23
1-9 هدف خوشه بندی ……………………………………………………………………………………..23
1-10 اندازهگیری کیفیت خوشهبندی……………………………………………………………………25
1-11 بررسی تکنیکهای اندازهگیری اعتبار خوشه‌ها……………………………………………….25
1-12 شاخصهای اعتبارسنجی…………………………………………………………………………….27
1-12-1 شاخص دون (Dunn Index)……………………………………………………………
1-12-2 شاخص دیویس بولدین (Davies Bouldin Index)…………………………….
1-12-3 شاخصهای اعتبارسنجی ریشة میانگین مربع انحراف از معیار (RMSSDT) و ریشة R (RS)….
1-12-4 شاخص اعتبارسنجی SD………………………………………………………………..
1-12-5 شاخص اعتبارسنجی S_Dbw………………………………………………………..
1-12-6 آزمایش ومقایسه کارایی شاخصهای اعتبار سنجی……………………………..33
1-13 خوشهبندی ترکیبی………………………………………………………………………..37
1-13-1 ایجاد پراکندگی در خوشهبندی ترکیبی……………………………………………..37
1-13-2 تابع توافقی ………………………………………………………………………………….39
1-13-3 مشکلات پیش روی خوشهبندی ترکیبی……………………………………………40
فصل دوم – ادبیات و پیشینه تحقیق …………………………………………………………. 42
2-1 مقدمه……………………………………………………………………………………………………..43
2-2 خوشه بندی فازی …………………………………………………………………………………..43
2-3 الگوریتم خوشه بندی c میانگین (Fuzzy c-mean)………………………………….
برای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنیدبرای دیدن جزییات بیشتر و دانلود پایان نامه اینجا کلیک کنید
2-4 الگوریتم PFCM…………………………………………………………………………………
2-5 الگوریتم AFCM………………………………………………………………………….
2-6 الگوریتم FPCM…………………………………………………………………………..
2-7 الگوریتم خوشه بندی c میانگین برای داده های نویزی………………………………..53
2-8 الگوریتم KFCM……………………………………………………………………………………
2-9 توابع ارزیابی خوشه ………………………………………………………………………………56
2-9-1 تابع ارزیابی ضریب افراز……………………………………………………………….57
2-9-2 تابع ارزیابی آنتروپی افراز………………………………………………………………57
2-9-3 تابع Fukuyama and Sugeno………………………………………………………………..
2-9-4 تابع Beni Xie and ……………………………………………………………………………….
یک مطلب دیگر :
2-9-5 تابع N.Zahid………………………………………………………………………………………….
2-9-6 تابع M.Ramze Rezaee……………………………………………………………………….
2-10 خوشهبندی ترکیبی……………………………………………………………………………62
فصل سوم – روش تحقیق…………………………………………………………………….. 68
3-1 مقدمه ……………………………………………………………………………………………….69
3-2 فرضیات روش پیشنهادی……………………………………………………………………..70
3-3 شرح مفصلی از روش پیشنهادی……………………………………………………………72
3-4 شرح الگوریتم…………………………………………………………………………………….83
فصل چهارم – محاسبات و یافته های تحقیق …………………………………………………85
4-1 مقدمه……………………………………………………………………………………………….86
4-2 نتایج خوشه بندی به روش پیشنهادی…………………………………………………..86
4-3 مقایسه ای با الگوریتم های خوشه بندی پایه ………………………………………..87
4-4 مقایسه با روش های خوشه بندی ترکیبی …………………………………………….90
فصل پنجم – نتیجه گیری و پیشنهادات……………………………………………………….. 92
5-1 جمع بندی…………………………………………………………………………………………….93
5-2 پیشنهادات…………………………………………………………………………………………….95
پیوست…………………………………………………………………………………………… 96
منابع و مآخذ ………………………………………………………………………………… 100
چکیده:
خوشه بندی فازی و ترکیبی از موضوعات قابل توجه در داده کاوی محسوب می شوند .اگر چه در سالهای اخیر الگوریتم های خوشه بندی فازی به سرعت در حال رشد هستند ،اما تکنیک های خوشه بندی ترکیبی فازی رشد چندانی نکرده اند و اکثر آنها از طریق تبدیل توابع ترکیب به نسخه فازی تبدیل شده اند .در این پایان نامه یک الگوریتم خوشه بندی فازی مبتنی بر گراف ارائه شده است. رویکرد پیشنهادی از ماتریس های عضویت حاصل از افراز های فازی که از الگوریتم های مختلف فازی نتیجه شده ،بهره گرفته است و سپس ماتریس های همبستگی فازی را برای هر الگوریتم ایجاد می کند که هریک از عناصر آن بیانگر میزان همبستگی و اشتراک بین نمونه ها ی متناظر می باشد. سرانجام همهی این ماتریس ها در ماتریس استحکام ترکیب شده ودر نهایت نتیجه ی نهایی توسط فرایند کاهشی تکراری مبتنی بر گراف بدست می‌آید .تکرارهای این الگوریتم تا زمانیکه به تعداد خوشه ی تعیین شده در ابتدای فرایند دست یابیم ادامه می‌یابد.همچنین تعدادی مجموعه داده ی فرضی و مجموعه داده استاندارد Iris به منظور ارزیابی روش پیشنهادی استفاده شده است .رویکرد پیشنهادی نشان داد که نسبت به الگوریتم های پایه همچون Kmeans ،FCM وSpectral کاراتر بوده و در مقایسه با روشهای خوشهبندی ترکیبی مختلف، رویکرد پیشنهادی حاوی نتایج قابل اطمینان و نرخ خطای کمتری است.
فصل اول: مقدمه و کلیات تحقیق
1-1- مقدمه ای بر داده کاوی
در دو دهه قبل توانایی های فنی بشر در تولید و جمع آوری داده ها به سرعت افزایش یافته است . عواملی نظیر به خدمتگرفتن کامپیوتر در کسب و کار، علوم ، خدمات دولتی و پیشرفت در وسائل جمعآوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهواره ای، در این تغییرات نقش مهمی دارند. بطور کلی استفاده همگانی از وب و اینترنت به عنوان یک سیستم اطلاع رسانی جهانی ما را با حجم وحشتناکی ازداده و اطلاعات مواجه می‌کند. این رشد انفجاری در داده های ذخیره شده، نیاز مبرمی برای تکنولوژی های جدید و ابزارهای خودکاری ایجاد کرده که به صورت هوشمند به انسان یاری رسانند تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند.
داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. در یک تعریف غیر رسمی داده کاوی فرآیندی است، خودکار برای استخراج الگوهایی که دانش را بازنمایی می کنند، که این دانش به صورت ضمنی در پایگاه داده های عظیم، انباره داده و دیگر مخازن بزرگ اطلاعات، ذخیره شده است.
داده‌کاوی، پایگاه‌ها و مجموعه‌های حجیم داده‌ها را در پی کشف واستخراج دانش، مورد تحلیل و کند و کاوهای ماشینی (و نیمه‌ماشینی) قرار می‌دهد. این گونه مطالعات و کاوش‌ها را به واقع می‌توان همان امتداد و استمرار دانش کهن و همه جا گیر آمار دانست. تفاوت عمده در مقیاس، وسعت و گوناگونی زمینه‌ها و کاربردها، و نیز ابعاد و اندازه‌های داده‌های امروزین است که شیوه‌های ماشینی مربوط به یادگیری، مدل‌سازی، و آموزش را طلب می‌نماید. [4]
اصلی ترین دلیلی که باعث شد داده کاوی کانون توجهات در صنعت اطلاعات قرار بگیرد، مساله در دسترس بودن حجم وسیعی از داده ها و نیاز شدید به اینکه از این داده ها اطلاعات و دانش سودمند استخراج کنیم. اطلاعات و دانش بدست آمده در کاربردهای وسیعی از مدیریت کسب و کار وکنترل تولید و تحلیل بازار تا طراحی مهندسی و تحقیقات علمی مورد استفاده قرار می گیرد.
