کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6905285 | 862818 | 2015 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A modified fuzzy min–max neural network for data clustering and itsapplication to power quality monitoring
ترجمه فارسی عنوان
یک شبکهی عصبی حداقل- حداکثر فازی بهبودیافته برای خوشهبندی اطلاعات و کاربردهای آن برای نظارت کیفیت توان
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
خوشه بندی؛ شبکهی عصبی حداقل حداکثر فازی؛ مطالعه معیار؛ نظارت بر کیفیت توان
فهرست مطالب مقاله
چکیده
معرفی
مرور کاراهای قبلی
خوشهبندی سلسله مراتبی
خوشهبندی مبتنی بر مرکز
خوشهبندی مبتنی بر توزیع
شبکهی خوشهبندی حداقل- حداکثر فازی
اصلاحات مورد نظر
جدول1: شبه کد برای شبکهی MFMM.
مطالعات تجربی
مطالعهی معیار1
جدول2: توصیف و منبع مجموعه اطلاعات.
شکل3: تکمیل ساختارهای هایپرباکس در MFMM با استفاده از مجموعه اطلاعات پتالز (گلبرگ).
شکل4: تکمیل ساختارهای هایپرباکس در MFMM با استفاده از مجموعه اطلاعات R15.
جدول3: نتایج مجموعه اطلاعات معیار.
مطالعهی معیار2
جدول5: مقایسهی امتیازات CCC بین FMM، MFMM و نتایج گزارش شده در مرجع [28].
جدول6: امتیازات CCC به همراه تغییر اندازهی هایپرباکس در MFMM.
جدول7: تعداد خوشههای تولید شده توسط MFMM.
مطالعهی معیار3
جدول9: توصیف و منبع مجموعههای اطلاعات
جدول10: مقایسهی کارایی بین MFMM و گزارشهای مرجع [59].
مطالعهی موردی دنیای واقعی
شکل5: نظارت کیفیت توان با استفاده از ثبت کنندهی توان سهفاز.
جدول12: نتایج موضوع FMM و MFMM برای تغییر اندازههای هایپرباکس.
جدول13: نتایج روشهای خوشهبندی میانگین- k و میانگین- c.
خلاصه
معرفی
مرور کاراهای قبلی
خوشهبندی سلسله مراتبی
خوشهبندی مبتنی بر مرکز
خوشهبندی مبتنی بر توزیع
شبکهی خوشهبندی حداقل- حداکثر فازی
اصلاحات مورد نظر
جدول1: شبه کد برای شبکهی MFMM.
مطالعات تجربی
مطالعهی معیار1
جدول2: توصیف و منبع مجموعه اطلاعات.
شکل3: تکمیل ساختارهای هایپرباکس در MFMM با استفاده از مجموعه اطلاعات پتالز (گلبرگ).
شکل4: تکمیل ساختارهای هایپرباکس در MFMM با استفاده از مجموعه اطلاعات R15.
جدول3: نتایج مجموعه اطلاعات معیار.
مطالعهی معیار2
جدول5: مقایسهی امتیازات CCC بین FMM، MFMM و نتایج گزارش شده در مرجع [28].
جدول6: امتیازات CCC به همراه تغییر اندازهی هایپرباکس در MFMM.
جدول7: تعداد خوشههای تولید شده توسط MFMM.
مطالعهی معیار3
جدول9: توصیف و منبع مجموعههای اطلاعات
جدول10: مقایسهی کارایی بین MFMM و گزارشهای مرجع [59].
مطالعهی موردی دنیای واقعی
شکل5: نظارت کیفیت توان با استفاده از ثبت کنندهی توان سهفاز.
جدول12: نتایج موضوع FMM و MFMM برای تغییر اندازههای هایپرباکس.
جدول13: نتایج روشهای خوشهبندی میانگین- k و میانگین- c.
خلاصه
ترجمه چکیده
وقتی هیچگونه اطلاعاتی در دسترس نیست، خوشهبندی روشی مفید و کاربردی برای دستهبندی اطلاعات در گروهها یا خوشههای با معنی است. در این مقاله، یک شبکه عصبی خوشهبندی حداقل- حداکثر فازی بهبودیافته (MFMM) مورد بررسی قرار گرفته است. کارآیی آن برای مقابله با وظایف مربوط به نظارت بر کیفیت توان اثبات شده است. در ابتدا مروری بر روشهای خوشهبندی مختلف ارائه میشود. برای ارزیابی مدل MFMM مورد نظر، یک مقایسهی ساختاری با استفاده از مجموعه اطلاعات معیار مربوط به مسائل خوشهبندی انجام میشود. نتایج به دست آمده قابل مقایسه با نتایج گزارش شده در مراجع قبلی میباشند. سپس، حالت مربوط به دنیای واقعی بر روی نظارت بر کیفیت توان اجرا میشود. نتایج به دست آمده با نتایج روشهای خوشهبندی میانگین- c و میانگین- k مقایسه میشود. نتایج آزمایش به طور امیدوار کنندهای پتانسیل MFMM در انجام کارهای خوشهبندی اطلاعات و قابلیت کاربردی آن در حوزهی سیستمهای توان را نشان میدهند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
When no prior knowledge is available, clustering is a useful technique for categorizing data into meaningful groups or clusters. In this paper, a modified fuzzy min–max (MFMM) clustering neural network is proposed. Its efficacy for tackling power quality monitoring tasks is demonstrated. A literature review on various clustering techniques is first presented. To evaluate the proposed MFMM model, a performance comparison study using benchmark data sets pertaining to clustering problems is conducted. The results obtained are comparable with those reported in the literature. Then, a real-world case study on power quality monitoring tasks is performed. The results are compared with those from the fuzzy c-means and k-means clustering methods. The experimental outcome positively indicates the potential of MFMM in undertaking data clustering tasks and its applicability to the power systems domain.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Soft Computing - Volume 28, March 2015, Pages 19–29
Journal: Applied Soft Computing - Volume 28, March 2015, Pages 19–29
نویسندگان
Manjeevan Seera, Chee Peng Lim, Chu Kiong Loo, Harapajan Singh,