100000 تومان
افزودن به سبد خرید
0 فروش 214 بازدید
جزئیات محصول
تاریخ انتشار: 05 فوریه 2019
دسته بندی: ,,

تبلیغات

پروژه متلب الگوریتم k – means برای انتخاب مراکز خوشه‌بندی اولیه

الگوریتم k – means برای انتخاب مراکز خوشه‌بندی اولیه با متلب | MATLAB

انتخاب مراکز خوشه‌بندی اولیه به طور تصادفی باعث بی‌ثباتی در نتیجه نهایی خواهد شد، و باعث می‌شود که به حداقل محلی تبدیل شود. برای بهبود کاستی الگوریتم انتخاب مرکز خوشه‌بندی kmeans موجود، الگوریتم k – means بهینه برای الگوریتم k – means برای انتخاب مراکز خوشه‌بندی اولیه در این مقاله ارائه شده‌است. وقتی که تعداد افراد مقدار بیشینه پارامتر چگالی نمونه منحصر به فرد نیست، فاصله بین نمونه‌های کثرت با بیش‌ترین مقدار پارامتر چگالی محاسبه و مقایسه می‌شود. با فاصله متوسط کل مجموعه نمونه. خوشه‌بندی اولیه بهینه k الگوریتم با استفاده از الگوریتم پیشنهادی در این مقاله با حداکثر دقت انتخاب شده‌است. راه دور به این معنی است. الگوریتم پیشنهادی در این مقاله از طریق مجموعه داده اتحادیه مورد آزمایش قرار گرفته‌است. نتایج تجربی برتری الگوریتم پیشنهادی را نشان می‌دهد.

 

پیاده سازی مقاله ارسالی مد نظر است بعلاوه اینکه یک پیشنهاد تغییر جهت بهبود روش ذکر شده در مقاله ارائه شود و پیاده سازی مجدد با احتساب تغییر.

پیاده سازی مشابه مقاله + یک ایده (بدون پیاده سازی) است انجام شود . 

 

بخشی از گزارش:

برای اجرا بر روی فایل optimizedkmeans کلید F5 را بزنید. این تابع اصلی برنامه است، که الگوریتم مقاله در آن پیاده سازی شده است. در ابتدا شماره دیتاست و تعداد خوشه از کاربر گرفته می شود، سپس مراحل الگوریتم روی داده ها اعمال می شود. کدها خط به خط مطابق با آنچه در مقاله توضیح داده شده نوشته شده اند.

تابع AccMeasure دقت خوشه بندی را با مقایسه نتایج با برچسب های صحیح به دست می آورد.

تابع mykmeans کد الگوریتم K-means بدون بهینه سازی است.

تابع u برای محاسبه چگالی توزیع استفاده شده است.

کدها دقیقا مطابق با روال الگوریتم اجرا شده اند، ولی متاسفانه در مقاله داده سازی صورت گرفته و نتیجه دیتاست Balance  مطابق با مقاله است.

اساس کار الگوریتم بر فاصله داده ها از یکدیگر و چگالی داده ها استوار است. برای بهبود می توانید از تابع فاصله وزن دار و توابع چگالی متفاوت استفاده کنید. با آزمایش های مختلف نوع بهینه هر کدام قابل دستیابی است.

 

۱-در باره تابع mykmeans توضیح بدید لطفا که ظاهرا kmean  را تغییر داده.لطفا kmeans.m را بفرستید.

بله همان تابع kmeans را تغییر داده ام تا مراکز بدست امده از الگوریتم پیاده سازی شده را در آن قرار دهم و خوشه بندی را انجام دهم، کد kmeans.m اصلی هم پیوست گردید.

۲-اگر بخواهیم همین الگوریتم را برای تغییر با cmeans ( خوشه بندی فازی ) پیاده سازی کنیم امکان این کار برای شما وجود دارد ؟

بله این امکان وجود دارد که مراکز اولیه را در fcm قرار داد.

 

Optimized k-means clustering algorithm based on artificial fish swarm

Abstract:
To improve the situation of insufficient global research in K-Means Algorithm, this paper discusses an optimized K-Means clustering algorithm based on artificial fish swarm, which overcomes the sensitivity to initial clustering center selection of K-Means clustering algorithm and gets the optimal global clustering partition. Meanwhile, to improve the precision of clustering algorithm, a novel algorithm is presented to calculate the inner-class distance and inter-class distance. Simulation experiments have been implemented over data set KDD-99, and the results showed that the satisfactory detection rate and false acceptance rate could be obtained in network intrusion detection.

لینک مقاله اصلی:

https://pdfs.semanticscholar.org/5fc2/a47e7fcc8d5f24207efab624bb652133e103.pdf

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب