خوشهبندی فازی دادهها بر اساس منطق فازی
کی از رشته های زیر مجموعه فنی مهندسی که علاقمندان بسیاری در کشور ما دارد رشته کامپیوتر و فناوری اطلاعات هستش که اتفاقا سایت دیجی لود در حال تکمیل سری جدیدی از پایان نامه های ارشد این رشته تحصیلی برای کاربران گرانقدر خود میباشد. دیجی لود در ادامه پایان نامه ” خوشهبندی فازی دادهها بر اساس منطق فازی ” با فرمت Word (قابل ویرایش) در 50 صفحه را معرفی مینماید.
چکیده پایان نامه خوشهبندی فازی دادهها بر اساس منطق فازی :
خوشهبندی دادهها روشی برای دستهبندی دادههای مشابه می باشد که این روش سالها در علوم مختلف به کار رفته و الگوریتمهای زیادی در این زمینه طراحی شده است . تحقیقات اخیر خوشهبندی به سمت روش های ترکیبی که دارای قابلیت استحکام و دقت بیشتر هستند، هدایت میکند. خوشهبندی ترکیبی سعی میکند ابتدا خوشهبندی های اولیه تولید کند که تا حد ممکن دارای پراکندگی باشند سپس با اعمال یک تابع توافقی نتایج را با هم ترکیب میکند. در این پژوهش از ترکیب خوشهبندی فازی و ماشین بردار پشتیبان برای دستهبندی استفاده میشود.
SVM یکی از روشهای یادگیری با نظارت است که از آن برای دستهبندی دادهها استفاده میشود. SVM شبکه جدید و قدرتمندی است که فرمولی که برای یادگیری استفاده میکند بر اساس به حداقل رساندن مقدار خطاست. آموزش SVM ارتباط مستقیم با تعداد دادههای آموزش دارد و اگرتعداد مراکز خوشهها زیاد باشد زمان آموزش و حجم حافظه به شدت افزایش مییابد. شبکه ترکیبی (FS-FCSVM) بدین شکل است که عمل خوشهبندی فازی بر روی دادههای ورودی انجام میگیرد سپس پارامتر های شبکه با SVM آموزش میبینند، در نتیجه به شبکه ای با قابلیت تعمیم پذیری بالا دست مییابد. تعداد قوانین در این گونه سیستمها به نسبت سیستمهای فازی کوچکتر و زمان محاسبات آن کمتر است .
در این پژوهش از روش خوشهبندی کاهشی قبل از خوشهبندی فازی استفاده میشود.ایده اصلی خوشهبندی کاهشی جستجوی نواحی با چگالی بالا در فضای مشخصه اطلاعات دادهها است. هر نقطه که بیشترین تعداد همسایه را داشته باشد به عنوان مرکز خوشه انتخاب میشود.بعبارت دیگر با استفاده از تکنیک خوشهبندی کاهشی جهت انتخاب نقاط ویژگی که دارای تمایز بیشتر و شباهت کمتر نسبت به دیگر نقاط دارند استفاده شده است.
در این پایان نامه ایده کار استفاده از خوشهبندی تفاضلی جهت پیدا کردن دقیق نقاط مرکزی خوشهها و تعداد خوشههاست که با این کار تعداد تکرار خوشهبندی فازی را کاهش می دهیم و همچنین از همین نقاط مرکزی به عنوان بخشی ازدادههای آموزشی استفاده می کنیم و بخش دوم کار مربوط به انتخاب قسمت دیگر دادههای آموزشی میباشد که برای انتخاب آنها نیز از ماتریس تعلق حاصل از خوشهبندی فازی بهره گرفته ایم که با تعیین یک محدوده عددی دادههای دور از مرکز هر داده را نیز به عنوان بخش دیگر دادهها انتخاب کردیم که نهایتا با انتخاب این نقاط توانستیم تعداد دادههای آموزشی را تا حد قابل ملاحظه ای تقلیل دهیم.
نتایج آزمایشات انجام شده بر روي مجموعه دادههاي بزرگ پایگاه داده UCI نشان میدهد که علاوه بر کاهش زمان آموزش با انتخاب مناسب دادهها باعث تقویت ویزگی مقاوم بودن SVM در برابر دادههای نویزی و پرت و همچنین کاهش تعداد بردار پشتیبان انتخابی SVM در فضای داده بزرگ میشود.
واژههای کلیدی: ماشین بردار پشتیبان، خوشهبندی فازی، خوشهبندی تفاضلی
فهرست مطالب فصل اول: مقدمه 1-1 خوشهبندی …………….. 2 1-2 خوشهبندی فازی ………………………… 5 1-2-1 الگوریتمهای پایهای خوشهبندی فازی ………………………………………. 5 1-2-2 روش کار خوشهبندی فازی ………………………………………………………………………………………. 9 1-2-3 مروري بر مقالات خوشهبندی فازی سالهاي اخير …………………………………………………. 8 1-3 خوشهبندی تفاضلی ……………………………………. 11 1-4 ماشین بردار پشتیبان …………………………………….. 12 1-4-1 روش کار ماشین بردار پشتیبان …………………………………………………………………………….. 12 1-4-2 ماشین بردار پشتیبان جداییپذیر ………………………………………………………………………… 14 1-4-3 ماشین بردار پشتیبان غیرخطی ………………………………………………………………………….. 15 فصل دوم: مروری بر کارهای انجام شده 2-1 مقدمه …………………… 19 2-2 کارهای انجام شده ……………………………………… 19 فصل سوم: روش پیشنهادی 3-1 مقدمه ………………… 24 3-2 چارچوب کلی روش پیشنهادی …………………. 24 فصل چهارم: نتایج شبیهسازی 4-1 مقدمه …………………… 28 4-2 پایگاهداده و پارامترهای شبیهسازی ………………………………………….. 28 فصل پنجم: نتیجهگیری و کارهای آینده 5-1 تیجهگیری………………………………………………….33 5-2 کارهای آینده…………………………………………………. 33 واژهنامه ………………………………………. 34 مراجع …………………………………………………………. 35
|
فهرست اشكال
شکل 1-1 خوشهبندی نمونههای ورودی ………………………………………………………………………………………………..3
شکل 1-2 خوشهبندی وسایل نقلیه …………………………………………………………………………………………………… 3
شکل 1-3 معیارهای تشابه بر اساس توابع فاصله مختلف ………………………………………………………………….. 4
شکل 1-4 روش کار خوشهبندی فازی …………………………………………………………………………………………………. 9
شکل 2-1 مقایسه دو روش FNN و SVM…………………………………………………………………………………… 20
شکل 2-2 مقایسه وزنها به روش درونیابی و ژنتیک …………………………………………………………………………. 21
شکل 2-3 خوشهبندی مثلثی دادهها ……………………………………………………………………………………………… 22
شکل 3-1 نمودار چارچوب کلی طرح پیشنهادی ……………………………………………………………………………. 24
شکل 4-1 اجرای الگوریتم GRID SEARCH برای تعیین پارامترهای کرنل در SVM ………. 30
شکل 4-2 کلاسبندی دادههای مربوط به Fourclass با استفاده از الگوریتم پیشنهادی ……… 31
فهرست جداول
جدول 2-1 مقایسه چند روش مختلف فازی ………………………………………………………………………………. 20
جدول 4-1 مشخصات دادههای مورد استفاده …………………………………………………………………………… 28
جدول 4-2 پارامترهای کرنل ………………………………………………………………………………………………………. 28
جدول 4-3 مقایسه الگوریتم پیشنهادی و SVM از نظر زمان ………………………………………………….. 28
جدول 4-4 مقایسه الگوریتم پیشنهادی و SVMاز نظر دقت …………………………………………………. 29
جدول 4-5 مقایسه الگوریتم پیشنهادی و SVM از نظر تعداد بردار پشتیبان ………………………… 29
راهنمای خرید و دانلود فایل
برای پرداخت، میتوانید از کلیه کارتهای عضو شتاب استفاده نمائید.
بعد از پرداخت آنلاین لینک دانلود فعال و نمایش داده میشود ، همچنین یک نسخه از فایل همان لحظه به ایمیل شما ارسال میگردد.
در صورت بروز هر مشکلی،میتوانید از طریق تماس با ما پیغام بگذارید و یا در تلگرام با ما در تماس باشید، تا شکایت شما مورد بررسی قرار گیرد.
برای دانلود فایل روی دکمه خرید و دانلود کلیک نمایید.
ديدگاه ها