کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946285 1439276 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multiobjective fuzzy clustering approach based on tissue-like membrane systems
ترجمه فارسی عنوان
رویکرد خوشه بندی فازی چند هدفه مبتنی بر سیستم های غشایی مانند بافت
کلمات کلیدی
خوشه بندی فازی، مشکل خوشه چند هدفه، محاسبات غشاء، سیستم غشای سلولی،
ترجمه چکیده
مشکل خوشه بندی فازی معمولا به عنوان یک مشکل بهینه سازی مطرح می شود. با این حال، تحقیقات موجود نشان داده است که روش خوشه بندی که یک رویکرد اعتبار یک خوشه را بهینه می کند، ممکن نیست که در انواع مختلف مجموعه داده ها رضایت بخش باشد. این مقاله یک چارچوب خوشهبندی چند هدفه برای خوشه بندی فازی ارائه می دهد که در آن یک سیستم غشای بافت با ساختار سلولی خاص طراحی شده است تا یک روش مرتب سازی غالب تحت سلطه و یک مکانیسم تکاملی تکاملی اصلاح شده تطبیق داده شود. بر اساس چارچوب خوشه بندی چند هدفه، یک رویکرد خوشه بندی فازی برای بهینه سازی سه شاخص اعتبار خوشه ای که می تواند ویژگی های مختلف را به دست آورد، تحقق یابد. رویکرد پیشنهادی بر روی 6 مجموعه مصنوعی و 10 مجموعه داده های واقعی واقع شده است و با چندین تکنیک چند هدفه و تکنیک تک تفاوتی مقایسه شده است. نتایج مقایسه نتایج اثربخشی و مزیت روش پیشنهادی را در خوشه بندی مجموعه داده ها با ویژگی های مختلف نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
رویکرد خوشه بندی فازی چند هدفه مبتنی بر سیستم های غشایی مانند بافت
چکیده انگلیسی
Fuzzy clustering problem is usually posed as an optimization problem. However, the existing research has shown that clustering technique that optimizes a single cluster validity index may not provide satisfactory results on different kinds of data sets. This paper proposes a multiobjective clustering framework for fuzzy clustering, in which a tissue-like membrane system with a special cell structure is designed to integrate a non-dominated sorting technique and a modified differential evolution mechanism. Based on the multiobjective clustering framework, a fuzzy clustering approach is realized to optimize three cluster validity indices that can capture different characteristics. The proposed approach is evaluated on six artificial and ten real-life data sets and is compared with several multiobjective and singleobjective techniques. The comparison results demonstrate the effectiveness and advantage of the proposed approach on clustering the data sets with different characteristics.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 125, 1 June 2017, Pages 74-82
نویسندگان
, , , , ,