دانلود پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD
فهرست مطالب
چکیده
مقدمه
مروری بر روش های قبل
الگوریتمk-means Hard
مثالی عددی از الگوریتم k-means
مقادیر مرکز های اولیه
فاصله بین مراکز و داده ها
خوشه بندی داده ها
تعیین مراکز
فاصله مراکز- داده ها
خوشه بندی داده ها
تعیین مراکز
فاصله مراکز- داده ها
خوشه بندی داده ها
الگوریتم Clustering (FCM) Fuzzy c-Means
Hard k-Modes الگوریتم
الگوریتم Fuzzy k-Modes
الگوریتمGenetic fuzzy k-Modes
نمایش رشته ای
فرآیند مقدار دهی اولیه
الگوریتم مقداردهی اولیه
فرایند انتخاب
الگوریتم تولید جمعیت جدید
فرایند ادغام
الگوریتم ادغام
فرایند جهش
پروسه جهش
معیار توقف
آزمایش ها
معیار کیفیت خوشه بندی
مجموعه داده
نتایج
نتیجه گیری
پیوست – کد برنامه
مراجع
چکیده
خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش، الگوریتم ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه عملگر ادغام به عنوان یک مرحله از الگوریتم fuzzy k-Modes تعریف می شود. آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.
برچسب ها:
پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی الگوریتم ژنتیک فازی الگوریتم ژنتیک فازی خوشه بندی داده گروهی خوشه بندی داده های گروهی