ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته
نویسندگان
چکیده مقاله:
با پیشرفت روز افزون تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روشهایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن میباشیم. امروزه خوشهبندی داده به عنوان یکی از روشهای آنالیز و ساده سازی مجموعه دادههای بزرگ، مورد توجه بسیاری از محققین قرار گرفته است. در این میان خوشهبندی سریهای زمانی با دقت مورد قبول، حائز اهمیت بسیاری میباشد. در روش پیشنهادی از ترکیب الگوریتم تکاملی دیفرانسیلی و روش خوشه Fuzzy-Cmeans به عنوان یکی از الگوریتمهای خوشهبندی مطرح و شناخته شده، برای خوشهبندی سریهای زمانی استفاده گردید. در این روش برای کاهش مجهولات مسئله و در نتیجه افزایش کارایی الگوریتم، تکنیکهای مختلف نمایش دادههای مکانی-زمانی را مورد بررسی قرار دادیم و از این میان روش ضرایب DCT را برای کاهش مجهولات مراکز خوشهها انتخاب کردیم. بدین مفهوم که الگوریتم تکاملی دیفرانسیلی انتخابی برای خوشهبندی، به جای یافتن تمامی المانهای مراکز خوشههای موجود در مجموعه داده، تنها تعداد محدودی از ضرایب DCT این مراکز را یافته و سپس با استفاده از همین ضرایب محدود مراکز خوشهها بازسازی میشوند. با در نظر گرفتن تابع فاصلهی Dynamic Time Warping و انتخاب تابع بهینهسازی مربوط به روش خوشهبندی Fuzzy-Cmeans، روش پیشنهادی بر روی دو مجموعه داده پیادهسازی شد و با روش خوشهبندی FCM و روش خوشهبندی مبتنی بر الگوریتم تکاملی دیفرانسیلی بدون استفاده از ضرایب DCT مقایسه گردید. روش پیشنهادی کندتر از الگوریتم خوشهبندی Fuzzy-Cmeans بوده اما به دلیل استفاده از روش تبدیل کسینوسی گسسته برای کاهش مجهولات، سریعتر از روش خوشهبندی معمول مبتنی بر الگوریتم تکاملی دیفرانسیلی عمل میکند. همچنین نتایج حاصل از مقایسهی این سه روش نشاندهندهی عملکرد بهتر روش پیشنهادی نسبت به دو روش دیگر میباشد.
منابع مشابه
یک روش ترکیبی خوشه بندی مبتنی بر الگوریتم ژنتیک با استفاده از عملگر های جدید تغییر
The clustering problem under the criterion of minimum sum of squares is a non-convex and non-linear program, which possesses many locally optimal values, resulting that its solution often being stuck at locally optimal values and therefore cannot converge to global optima solution. In this paper, we introduce several new variation operators for the proposed hybrid genetic algorithm for the cl...
متن کاملارائه یک الگوریتم خوشه بندی برای داده های دسته ای با ترکیب معیارها
Clustering is one of the main techniques in data mining. Clustering is a process that classifies data set into groups. In clustering, the data in a cluster are the closest to each other and the data in two different clusters have the most difference. Clustering algorithms are divided into two categories according to the type of data: Clustering algorithms for numerical data and clustering algor...
متن کاملالگوریتم واترمارکینگ قابل تنظیم بر مبنای تبدیل موجک گسسته و تجزیه مقادیر منفرد با استفاده از یک رویکرد تکاملی
با توجه به گسترش روزافزون ارتباطات در دنیای امروز، ضرورت کنترل بهینه ارتباطات در محیط های گوناگون اداری، چندرسانه ای، فیزیکی، دیجیتالی و امنیتی بیش از پیش روشن می شود. دانش هوش مصنوعی از زیر مجموعه های مهم در دانش کامپیوتر، دراین زمینه گام های بلندی برداشته است. حفاظت از داده ها در مقابل کپی برداری و جعل، از اهمیت بالایی برخوردار است به همین دلیل باید از راهکارهایی برای کنترل کپی کردن استفاده ن...
ارائه یک روش ترکیبی مبتنی بر تبدیل موجک گسسته برای پیشبینی بار الکتریکی با استفاده از یک مدل دوبعدی
چکیده: پیشبینی میزان تقاضای انرژی الکتریکی و شناسایی روند تغییرات آن، عامل کلیدی و مؤثری در برنامهریزی، طراحی و بهرهبرداری از شبکه قدرت است. بیگمان آگاهی از میزان مصرف انرژی الکتریکی، اساس و زیربنای برنامهریزی و تصمیمگیری در سیستمهای قدرت است. در این مقاله با معرفی روش ترکیبی تبدیل موجک و حداقل مربعات خطا و ارائه یک مدل دوبعدی برای بار، پیشبینی پیک ماهیانه بار استان زنجان در افق بلندمد...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 5 شماره 4
صفحات 199- 209
تاریخ انتشار 2016-06
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023