کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
411569 | 679573 | 2016 | 6 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
1.1. پس زمینه الگوریتم خوشه بندی
1.2. پس زمینه الگوریتم ژنتیک
2. الگوریتم خوشه بندی
2.1. الگوریتم خوشه بندی فازی
2.2. الگوریتم خوشه بندی فازی مبتنی بر هسته
3. الگوریتم ژنتیک
3.1. الگوریتم ژنتیک
شکل 1. فلوچارت GA.
3.2. الگوریتم GAKFCM
4. نتایج تجربی
شکل 2. نرخ صحیح سه الگوریتم با استفاده از پایگاه داده IRIS و پایگاه داده WINE.
شکل 3. زمان اجرای سه الگوریتم با استفاده از پایگاه داده IRIS و پایگاه داده WINE.
جدول 1. توزیع مجموعه داده آموزش و آزمون.
جدول 2. نتیجه بر اساس سه الگوریتم.
شکل 4. دقت سه الگوریتم.
شکل 5. یادآوری سه الگوریتم.
جدول 3. چهار نتیجه جدول احتمال توسط طبقه بندی.
5. نتیجه گیری
Fuzzy c-means clustering algorithm (FCM) is a method that is frequently used in pattern recognition. It has the advantage of giving good modeling results in many cases, although, it is not capable of specifying the number of clusters by itself. Aimed at the problems existed in the FCM clustering algorithm, a kernel-based fuzzy c-means (KFCM) is clustering algorithm is proposed to optimize fuzzy c-means clustering, based on the Genetic Algorithm (GA) optimization which is combined of the improved genetic algorithm and the kernel technique (GAKFCM). In this algorithm, the improved adaptive genetic algorithm is used to optimize the initial clustering center firstly, and then the KFCM algorithm is availed to guide the categorization, so as to improve the clustering performance of the FCM algorithm. In the paper, Matlab is used to realize the simulation, and the performance of FCM algorithm, KFCM algorithm and GAKFCM algorithm is testified by test datasets. The results proved that the GAKFCM algorithm proposed overcomes FCM׳s defects efficiently and improves the clustering performance greatly.
Journal: Neurocomputing - Volume 188, 5 May 2016, Pages 233–238