عنوان : ( ترکیب بردارهای ویژه در حوزه KPCA به منظور خوشه بندی داده ها )
نویسندگان: سهیلا اشکذری طوسی , هادی صدوقی یزدی ,
Full Textچکیده
خوشه بندی به عنوان یکی از تکنیکهای مهم در شناسایی الگو، پردازش تصویر و داده کاوی شناخته می شود. در فضاهایی با ابعاد بالا به علت وجود وابستگیهای غیر خطی بین ویژگیها، الگوریتمهای خوشه بندی معمولا با شکست مواجه می شوند. برای مقابله با این مشکل عموما با انتقال فضا به حوزه ویژگی- با ابعاد بالا سعی در به دست آوردن ویژگیهایی مناسب تر برای توصیف داده می شود. در این مقاله سعی شده است تا با انتقال داده ها به فضای Kernel PCA به توصیف مناسب تری از داده ها دست یابیم و از خصوصیات این فضا برای خوشه بندی بهتر استفاده نماییم. برای این منظور، پس از استخراج ویژگیهای جدید در فضای متعامد KPCA، به بررسی آنها پرداخته و ویژگیهای مناسب برای خوشه بندی را با انتساب وزن مناسب به آنها، انتخاب و ترکیب می نماییم و در انتها از روشی مبتنی بر رای گیری وزندار برای خوشه بندی داده ها استفاده می نماییم. نتایج آزمایشها بهبود مناسبی را در مقایسه با الگوریتمهای خوشه بندی فازیC-میانگین و K-میانگین نشان میدهد.
کلمات کلیدی
, فضای تعامد, تحلیل مولفه های اصلی کرنل , خوشه بندی
@inproceedings{paperid:1020388,
author = {اشکذری طوسی, سهیلا and صدوقی یزدی, هادی},
title = {ترکیب بردارهای ویژه در حوزه KPCA به منظور خوشه بندی داده ها},
booktitle = {پانزدهمین کنفرانس انجمن کامپیوتر ایران},
year = {2010},
location = {تهران, ايران},
keywords = {فضای تعامد- تحلیل مولفه های اصلی کرنل -خوشه بندی},
}
%0 Conference Proceedings
%T ترکیب بردارهای ویژه در حوزه KPCA به منظور خوشه بندی داده ها
%A اشکذری طوسی, سهیلا
%A صدوقی یزدی, هادی
%J پانزدهمین کنفرانس انجمن کامپیوتر ایران
%D 2010
