پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن

word 1 MB 31063 120
1394 کارشناسی ارشد مهندسی کامپیوتر
قیمت: ۱۵,۶۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‏نامه کارشناسی ارشد رشته مهندسی کامپیوتر – گرایش نرم ‏افزار

    چکیده

    خوشه‏بندی را می‏توان یکی از مهمترین مراحل در تحلیل داده‏ها برشمرد. روش‏های خوشه‏بندی بسیاری تاکنون توسعه و ارائه داده شده‏اند. یکی از این روش‏ها که در مطالعات اخیر مورد توجه و بررسی قرار گرفته است، روش خوشه‏بندی توافقی می‏باشد. هدف خوشه‏بندی توافقی ترکیب چند خوشه‏بندی اولیه و بدست آوردن یک خوشه‏بندی نهایی است به گونه‏ای که در آن خوشه‏ها از کیفیت بالاتری، نسبت به خوشه‏ها در خوشه‏بندی‏های اولیه، برخوردار باشند.

    ما در این پایان نامه فرآیندی را جهت انجام خوشه‏بندی توافقی بر روی داده‏های توزیع شده ناهمگن ارائه خواهیم نمود که این فرآیند از سه مرحله تشکیل می‏شود. در مرحله‏ی اول خوشه‏های نظیر به نظیر در خوشه‏بندی‏های اولیه تشخیص داده می‏شود. در مرحله‏ی دوم هر یک از خوشه‏بندی‏های اولیه وزن‏دار می‏شوند. در مرحله‏ی سوم نیز خوشه‏بندی توافقی با توجه به وزن اختصاص داده شده به خوشه‏بندی‏ها، انجام می‏گردد.

    در این پایان نامه فرآیند پیشنهادی بر روی داده‏هایی که به صورت ناهمگن توزیع شده‏اند، مورد ارزیابی قرار گرفته است. نتایج ارزیابی‏های انجام شده نیز با 4 الگوریتم دیگر در زمینه‏ی خوشه‏بندی توافقی مقایسه شده است. مقایسه‏های انجام شده بیانگر آن است که فرآیند پیشنهادی در اغلب موارد از کارایی بالاتری نسبت به دیگر الگوریتم‏ها برخوردار است.

     

     

     

     

     

     

    فصل اول

    مقدمه

     

    1-1- مقدمه

    در این بخش ابتدا به بررسی مفاهیم اولیه‏ای نظیر داده‏کاوی و خوشه‏بندی می‏پردازیم. سپس مسئله‏ی خوشه‏بندی توافقی با استفاده از یک مثال مطرح می‏گردد. پس از آن کلیات تحقیقات انجام گرفته در این پایان نامه و نتایج بدست آمده در ارزیابی‏ها ارائه خواهد شد.

     

    1-2- داده­کاوی

    ما در جهانی مملوء از اطلاعات زندگی می‏کنیم. سیستم‏های کامپیوتری پیشرفته، با حجم بسیار زیادی از داده‏ها مواجه هستند که از منابع مختلفی نظیر پایانه‏های فروش[1]، تراکنش‏های بانکی، تجارت الکترونیک، کارت‏های اعتباری و ماهواره‏ها جمع آوری می‏شوند. بنابراین با توجه به افزایش روز افزون حجم داده‏ها نیاز به وجود فرآیندی جهت تحلیل و استخراج دانش نهفته در آنها بیش از پیش حس می‏شود.

    داده کاوی[2] در یک تعریف ساده فرآیندی جهت کشف دانش از مجموعه‏های داده‏ای بزرگ می‏باشد. در بسیاری از موارد، اصطلاح داده کاوی مترادف با عبارت کشف دانش از داده[3] بکار می‏رود، اما در حقیقت داده کاوی یکی از مراحل اصلی کشف دانش است. شکل 1-1 . فرآیند کشف دانش از داده را نشان می‏دهد و همانطور که مشخص است این فرآیند شامل یک دنباله تکراری از مراحل زیر است [37]:

    1.پاکسازی داده‏ها[4]

    2.یکپارچه سازی داده‏ها[5]

    3.انتخاب داده‏ها[6]

    4.تبدیل داده‏ها[7]

    5.داده کاوی

    6.ارزیابی الگو[10]

    7.ارائه دانش

    روش‏های داده کاوی

    کارهایی که در داده کاوی انجام می‏شود را می‏توان به دو گروه توصیفی[11] و پیشگویانه[12] دسته بندی نمود. فعالیت‏های توصیفی می‏توانند ویژگی‏های اصلی داده‏ها را در پایگاه داده نمایان سازند. فعالیت‏های پیشگویانه نیز جهت پیشگویی، بر روی داده‏های موجود، اعمال استنتاجی انجام می‏دهند. برخی از مهمترین روش‏های داده کاوی عبارتند از : دسته‏بندی[13]، خوشه‏بندی[14]، کشف قوانین انجمنی[15] و تشخیص داده‏های دور افتاده[16]. از بین روش‏های مطرح شده، خوشه‏بندی و کشف قوانین انجمنی فعالیت توصیفی ودسته‏بندی و تشخیص داده‏های دور افتاده فعالیت پیشگویانه محسوب می‏شوند.

     

    1-4- خوشه‏بندی

    تحلیل خوشه یکی از فعالیت‏های مهم انسان می‏باشد. در کودکی ما با بهبود ناخود آگاه خوشه‏بندی در ذهنمان یاد می‏گیریم که چگونه بین سگ‏ها و گربه‏ها، یا حیوانات و گیاهان تفاوت قائل شویم [30]. خوشه‏بندی اغلب به عنوان اولین گام و یکی از مهمترین روش‏های تحلیل داده‏ها بشمار می‏آید. خوشه‏بندی فرآیندی است که در آن اشیاء در گروه‏هایی از اشیاء مشابه دسته بندی می‏شوند. هر گروه یا خوشه شامل اشیائی است که شبیه به یکدیگرند و متفاوت از اشیاء گروه‏های دیگر می‏باشند. خوشه‏بندی شکلی از مدل سازی داده است که ریشه در ریاضیات و آمار دارد [8]. بر خلاف دسته بندی که یک روش یادگیری نظارت[17] شده است، خوشه‏بندی یک روش یادگیری نظارت نشده[18] بحساب می‏آید، چرا که داده‏ها در دسته‏بندی دارای برچسب کلاس[19] می‏باشند اما در خوشه‏بندی برچسب کلاس برای داده‏ها مشخص نیست. هدف در خوشه‏بندی کمینه سازی فاصله داده‏های درون خوشه و بیشینه سازی فاصله داده‏ها بین خوشه‏های مختلف می‏باشد و از اینرو نوعی مسئله بهینه سازی محسوب می‏شود. برخی مواقع اصطلاحات بخش بندی[20] و قطعه‏بندی[21] نیز در تحقیقات مترادف با خوشه‏بندی در نظر گرفته می‏شوند.

    انسان‏ها بدون استفاده از روش‏های خلاصه سازی قادر به کشف دانش از انبوه اطلاعاتی که در پایگاه‏داده‏ها قرار دارند، نیستند. آمارهای پایه‏ای (نظیر میانگین و واریانس) یا نمودارهای مقایسه فراوانی[22] اطلاعات اولیه و اندکی در مورد داده‏ها ارائه می‏دهند. اما تحلیل خوشه یا خوشه‏بندی می‏تواند روابط پیچیده‏تری را بین اشیاء داده‏ای، بین صفات خاصه داده‏ها و یا بین این دو کشف کند [61].

    خوشه‏بندی کاربرد‏های گسترده‏ای در هوش مصنوعی، زیست شناسی، مدیریت ارتباط با مشتری[23]، داده کاوی، یادگیری ماشین، بازاریابی، پزشکی، تشخیص الگو، بازیابی اطلاعات و پردازش تصویر دارد. به عنوان مثال در زیست شناسی، خوشه‏بندی می‏تواند بر مبنای خصوصیات جانداران یک طبقه بندی از گونه‏های مختلف ایجاد کند. کاربرد دیگر خوشه‏بندی، درک بهتر عملکرد ژن‏ها در فرآیندهای زیستی یک سلول است [61]. در تجارت، خوشه‏بندی به فروشنده‏ها کمک می‏کند تا گروه‏های متفاوتی از مشتریان را بر اساس الگوهای خریدشان کشف کنند. خوشه‏بندی می‏تواند در تشخیص گروه‏هایی از خانه‏ها در یک شهر مطابق با نوع خانه، ارزش و موقعیت جغرافیایی و همچنین در تشخیص گروه‏هایی از دارندگان بیمه نامه اتومبیل با متوسط هزینه بالا کاربرد داشته باشد. خوشه‏بندی می‏تواند در گروه بندی نتایج موتورهای جستجو در وب نیز استفاده شود. شکل 2-1 ترسیمی دو بعدی از موقعیت مشتریان در یک شهر را نشان می‏دهد که از خوشه‏بندی اطلاعات مربوط به مشتریان یک فروشگاه بدست آمده است [1].

                                                                                                                                 

    Abstract

    Clustering is one of the most important phases of data analysis. There developed many clustering algorithms so far. One of the latest proposed and favored methods is consensus clustering. In this method, the goal is to combine some clusterings and reach to a clustering in which the quality is more, compare to the input clusterings.

    We propose a consensus clustering method which works on distributed, heterogeneous data. This process has three phases. First, we identify the correspondent clusterings among the input clusterings. At the second phase, we assign a weight to each clustering using Davies-Bouldin index. And finally, consensus clustering is performed according to the assigned weights.

    We also evaluate our proposed method. The results are compared with 4 other prominent consensus clustering algorithms. This comparison certifies that our method reaches better result most of the times.

  • فهرست:

    چکیده 1

    فصل اول   مقدمه 2

    1-1- مقدمه 3

    1-2- داده کاوی 3

    1-3- روش‏های داده کاوی 4

    1-4- خوشه‏بندی 5

    1-5- خوشه‏بندی توافقی 9

    1-6- تحقیقات انجام گرفته در پایان نامه 12

    1-7- نتایج بدست آمده 13

    1-8- ساختار پایان نامه 13

    فصل دوم   مروری بر کارهای انجام شده 14

    2-1- مقدمه 15

    2-2- روش‏های خوشه‏بندی 15

    2-2-1- روش‏های بخش‏بندی 17

     

    2-2-2- روش‏های سلسله مراتبی 19

    2-2-3- الگوریتم خوشه‏بندی K-Means 19

    2-3- خوشه‏بندی توافقی 22

    2-3-1- انگیزه‏های استفاده از خوشه‏بندی توافقی 23

    2-3-2- مسئله خوشه‏بندی توافقی: ارائه‏ی مثال 25

    2-3-3- مروری بر روش‏های خوشه‏بندی توافقی 26

    2-3-4- گروه‏بندی روش‏های خوشه‏بندی توافقی 27

    2-3-5- روش‏های شباهت محور 31

    شباهت دوبه‏دو(ماتریس همبستگی) 31

    گراف محور 35

    2-3-6- روش‏های توافقی با استفاده از اطلاعات دوجانبه 39

    2-3-7- روش‏های توافقی با استفاده از مدل ترکیبی 40

    2-3-8- روش‏های توافقی رأی محور 42

    2-4- روش‏های تولید اجتماع خوشه‏بندی‏ها 46

    2-5- خلاصه فصل 49

    فصل سوم   ارائه‏ی راهکار پیشنهادی: خوشه‏بندی توافقی بر روی داده‏های توزیع شده ناهمگن 51

    3-1- مقدمه 52

    3-2- راهکار پیشنهادی 53

    3-2-1- تشخیص نظیر به نظیر بودن خوشه­ها 53

    3-2-2- خوشه‏بندی‏های دارای وزن 60

    3-2-3- خوشه‏بندی‏ توافقی بر روی داده های توزیع شده ناهمگن64

    3-3- تولید اجتماع خوشه‏بندی‏ها 67

    3-4- خلاصه فصل 68

    فصل چهارم   پیاده‏سازی راهکار پیشنهادی و نتایج ارزیابی آن 70

    4-1- مقدمه71

    4-2- معیارهای ارزیابی 71

    4-2-1- معیار دقت 72

    4-2-2- شاخص Davies-Bouldin 73

    4-2-3- شاخص Rand73

    4-2-4- متوسط اطلاعات دوجانبه نرمال‏سازی شده (ANMI) 75

    4-3- پیاده‏سازی 76

    4-4- مجموعه‏های داده‏ای76

    4-5- نتایج ارزیابی78

    4-5-1- معیار دقت 78

    4-5-2- شاخص Davies-Bouldin81

    4-5-3- شاخص Rand 83

    4-5-4- متوسط اطلاعات دوجانبه نرمال‏سازی شده (ANMI) 85

    4-6- خلاصه فصل 87

    فصل پنجم نتیجه‏گیری و کارهای آینده 88

    5-1- مقدمه 89

    5-2- نتیجه‏گیری 89

    5-3- کارهای آینده 92

    مراجع 94

    پیوست الف : فهرست اختصارات 100

    پیوست ب : واژه‏نامه انگلیسی به فارسی 101

    پیوست ج : واژه‏نامه فارسی به انگلیسی 107

     

     

    منبع:

    [1]

    Agarwal, P. K., Har-Peled, S., & Yu, H.  2013. Embeddings of surfaces, curves, and moving points in Euclidean space. SIAM Journal on Computing, 42(2), 442-458.

    [2]

    Alam, S., Dobbie, G., Koh, Y. S., & Riddle, P. 2013, April, Clustering heterogeneous web usage data using hierarchical particle swarm optimization, In Swarm Intelligence (SIS), 2013 IEEE Symposium on (pp. 147-154). IEEE.

    [3]

    Al-Zoubi, M. B., Hudaib A., Huneiti A. and Hammo B. 2008. New Efficient Strategy to Accelerate k-Means Clustering Algorithm. American Journal of Applied Sciences. 5:1247-1250

    [4]

    Amigó, E., Gonzalo, J., Artiles, J. and Verdejo, F. 2008. A comparison of extrinsic clustering evaluation metrics based on formal constraints. Journal of Information Retrieval. Springer.

    [5]

    Arthur, D. and Vassilvitskii, S. 2007. k-means++: the advantages of careful seeding. Proceedings of the 18th annual ACM-SIAM symposium on Discrete algorithms. p:1027-1035.

    [6]

    Ayad, H. G. 2008. Voting-Based Consensus of Data Partitions. PhD Thesis (In University of Waterloo).

    [7]

    Ayad, H. G. and Kamel, M. S. 2005. Cluster-based cumulative ensembles. In Multiple Classifier Systems: Sixth International Workshop, MCS 2005. Seaside, CA, USA. p:236–245.

    [8]

    Belghini, N., Zarghili, A., Kharroubi, J., & Majda, A. 2011, January. Sparse Random Projection and Dimensionality Reduction Applied on Face Recognition. In The Proceedings of International Conference on Intelligent Systems & Data Processing (pp. 78-82).

    [9]

    Berkhin, P. 2006. Survey on Clustering Data Mining Techniques. Grouping Multidimensional Data. Springer. p:25-71.

    [10]

    Boulis, C. and Ostendorf, M. 2004. Combining multiple clustering systems. In The 8th European conference on Principles and Practice of Knowledge Discovery in Databases(PKDD), LNAI 3202. p:63–74.

    [11]

    Chunsheng, H., Qian, C., Haiyuan, W. and Wada, T. 2008. RK-Means Clustering: K-Means with Reliability. IEICE transactions on information and systems. 91(1):96-104.

     

    [12]

    David, G. and Thomas, H. 2005. Non-redundant clustering with conditional ensembles. The 11th ACM SIGKDD international conference on Knowledge discovery in data mining. p:70-77.

    [13]

    Dimitriadou, E., Weingessel, A. and Hornik, K. 2002. A combination scheme for fuzzy clustering. International Journal of Pattern Recognition and Artificial Intelligence. 16:901–912.

    [14]

    Domeniconi, C. and Al-Razgan, M. 2007. Weighted Cluster Ensembles: Methods and Analysis. Technical Report ISE-TR-07-06.

    [15]

    Domininique, V. , Abdi, H., Williams, L. J., Bennani‐Dosse, M. 2012. Statis and distatis: optimum multitable principal component analysis and three way metric multidimensional scaling. Wiley Interdisciplinary Reviews: Computational Statistics, 4(2), 124-167.

    [16]

    Duda, R. O., Hart, P. E., & Stork, D. G. 2012. Pattern classification. John Wiley & Sons.

    [17]

    Dudoit, S. and Fridlyand, J. 2003. Bagging to improve the accuracy of a clustering Procedure. Bioinformatics. 19(9):1090-1099

    [18]

    Elkan, C. 2003. Using the triangle inequality to accelerate k-means. Proceedings of the 20th International Conference on Machine Learning (ICML-2003).

    [19]

    Fischer, B. and Buhmann, J. M. 2003. Bagging for path-based clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence. 25:1411–1415.

    [20]

    Fred, A. 2001. Finding consistent clusters in data partitions. The Second International Workshop on Multiple Classifier Systems. Springer-Verlag. p:309-318.

    [21]

    Fred, A. and Jain, K. A. 2002. Evidence Accumulation Clustering Based on the K-Means Algorithm. The Joint IAPR International Workshop on Structural, Syntactic, and Statistical Pattern Recognition. Springer-Verlag. p:442-451.

    [22]

    Gasieniec, L., Jansson, J. and Lingas, A. 2004. Approximation algorithms for Hamming clustering problems. Journal of Discrete Algorithms. Elsevier. 2:289-301

    [23]

    Gionis, A., Mannila, H. and, Tsaparas, P. 2005. Clustering Aggregation. In Proceedings of Twenty-fitst International Conference on Data Engineering (ICDE). p:341-352.

    [24]

    Guillaume, R., & Mouaddib, N. 2002. SAINTETIQ: a fuzzy set-based approach to database summarization. Fuzzy sets and systems, 129(2), 137-162.

     [25]

    Gondek, D. and Hofmann, T. 2004. Non-redundant data clustering. In Proceedings of the Fourth IEEE International Conference on Data Mining. p:75–82.

    [26]

    Gordon, A. D. and Vichi, M. 2001. Fuzzy partition models for fitting a set of partitions. Psychometrika. 66:229–248.

    [27]

    Greene, D., Tsymbal A., Bolshakova, N. and Cunningham P. 2004. Ensemble Clustering in Medical Diagnostics. Proceedings of the 17th IEEE Symposium on Computer-Based Medical Systems. p:576-581.

    [28]

    Gupta, M., & Han, J.  2011 , Heterogeneous network-based trust analysis: a survey, ACM SIGKDD Explorations Newsletter, 13(1), 54-71.

    [29]

    Halkidi, M., Batistakis, Y. and Vazirgiannis, M. 2002. Clustering validity checking methods: part II. ACM SIGMOD Record. 31:19-27.

    [30]

    Han, J. and Kamber, M. 2006. Data Mining: Concepts and Techniques. 2th Edition, Morgan Kaufman Publishers.

    [31]

    Hartigan, J. 1975. Clustering Algorithm. Wiley.

    [32]

    Hashimoto, T. & Chakraborty, B.  2010, September. Topic extraction from messages in social computing services: Determining the number of topic clusters. In Semantic Computing (ICSC), 2010 IEEE Fourth International Conference on (pp. 232-235). IEEE.

    [33]

    Hathaway, R., Bezdek J. and Hu, Y. 2000. Generalized fuzzy c-means clustering strategies using Lp norm distances. IEEE Transaction Fuzzy Systems. 8:576–582.

    [34]

    http://archive.ics.uci.edu/ml/datasets.html

    [35]

    http://www.visionbib.com/bibliography/pattern629.html

    [36]

    Jiang, D., Tang, C., & Zhang, A. 2004. Cluster analysis for gene expression data: A survey. Knowledge and Data Engineering, IEEE Transactions on, 16(11), 1370-1386.

    [37]

    Julia, C. 2005. Kernel K-Means for Categorical Data. Advances in Intelligent Data Analysis VI, Springer. p:46-56

    [38]

    Karen, D., Boman, E. G., Heaphy, R. T., Hendrickson, B. A., Teresco, J. D., Faik, J., ... & Gervasio, L. G. 2005. New challenges in dynamic load balancing. Applied Numerical Mathematics, 52(2), 133-152.

    [39]

    Karen, D., Boman, E. G., Heaphy, R. T., Bisseling, R. H., & Catalyurek, U. V. 2006, April. Parallel hypergraph partitioning for scientificcomputing. In Parallel and Distributed Processing Symposium, 2006. IPDPS 2006. 20th International (pp. 10-pp). IEEE.

     [40]

    Karypis, G., & Kumar, V. 2000. Multilevel k-way hypergraph partitioning. VLSI design, 11(3), 285-300.

    [41]

    Kamal, N., McCallum, A., & Ungar, L. H. 2000, August. Efficient clustering of high-dimensional data sets with application to reference matching. In Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 169-178). ACM.

    [42]

    Kaski, S., Lagus, K., & Kohonen, T. 2004. Mining massive document collections by the WEBSOM method. Information Sciences, 163(1), 135-156.

    [43]

    Kaufmann, E. L. & Mueller, H. 2001. Wellness tourism: Market analysis of a special health tourism segment and implications for the hotel industry. Journal of Vacation Marketing, 7(1), 5-17.

    [44]

    Kogan, J., Nicholas, C. and, Teboulle, M. 2006. Grouping Multidimensional Data. Springer.

    [45]

    Kotsiantis, S. B. and Pintelas, P. E. 2004. Recent Advanced in Clustering: A Brief Survey. WSEAS Transactions on Information Science and Applications 1. p:73-81.

    [46]

    L. N. Fred, A. and Jain, A. K. 2002. Data Clustering Using Evidence Accumulation. Proceedings of the 16th International Conference on Pattern Recognition. 4:276-280

    [47]

    L. N. Fred, A. and Jain, K. A. 2005. Combining multiple clusterings using evidence accumulation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 27:835–850.

    [48]

    Lei, M., He, P. and Li, Z. 2006. An Improved K-means Algorithm for Clustering Categorical Data. Journal of Communication and Computer (USA). 3(8):20-24.

    [49]

    Leisch, F. 1999. Bagged clustering.

    [50]

    Lu, J. F., Tang, J. B., Tang, Z. M. and Yang, J. Y. 2008. Hierarchical initialization approach for K-Means clustering. Pattern Recognition Letters, Elsevier. 29:787-795.

    [51]

    Manning, C. D., Raghavan, P. and Schütze, H. 2008. Introduction to Information Retrieval. Cambridge University Press.

    [52]

    Matteo, c., Salam, G. P., & Soyez, G. 2008. The anti-kt jet clustering algorithm. Journal of High Energy Physics, 2008(04), 063.

    [53]

    Minaei-Bidgoli, B., Topchy, A. and F. Punch, W. 2004. A Comparison of Resampling Methods for Clustering Ensembles. Proceedings of the International Conference on Artificial Intelligence (IC-AI '04). p:939-945.

    [54]

    Minaei-Bidgoli, B., Topchy, A. and Punch, W. 2004. Ensembles of partitions via data Resampling. In IEEE Intl. Conf. on Information Technology: Coding and Computing, ITCC04, Proceedings. 2:188–192.

    [55]

    Mirkin, B. 2001. Reinterpreting the category utility function. Machine Learning. 45:219-228.

    [56]

    Mirkin, B. 2005. Clustering for Data Mining: A Data Recovery Approach. Chapman & Hall/CRC.

    [57]

    Nguyen, N., Caruana, R. 2007. Consensus Clustering. Proceedings of the Sixth International Conference on Data Mining (ICDM). p:607-612.

    [58]

    Pang-Ning, T., Steinbach, M. and Kumar V. 2005. Introduction to Data Mining. Addison-Wesley.

    [59]

    Ping, M., Castillo-Davis, C. I., Zhong, W., & Liu, J. S. 2006. A data-driven clustering method for time course gene expression data. Nucleic Acids Research, 34(4), 1261-1269.

    [60]

    Rizman alik, K. 2008. An efficient k'-means clustering algorithm. Pattern Recognition Letters, Elsevier. 29:1385-1391.

    [61]

    Strehl, A. 2002. Relationship-based Clustering and Cluster Ensembles for High-dimensional Data Mining. PhD Thesis (The University of Texas at Austin).

    [62]

    Strehl, A., Ghosh, J. and Cardie, C. 2002. Cluster Ensembles - A Knowledge Reuse Framework for Combining Multiple Partitions. Journal of Machine Learning Research. 3:583-617

    [63]

    Terry, c.  and  Serhiy,  K. 2004. An eigenspace projection clustering method for inexact graph matching. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 26(4), 515-519.

    [64]

    Toledo, M. D. G. 2005. A Comparison in Cluster Validation Techniques. Master of Science Thesis (The University of Puerto Rico).

    [65]

    Topchy, A., H. C. Law, M., Jain, K. A. and Fred, A. 2004. Analysis of Consensus Partition in Cluster Ensemble. The Fourth IEEE International Conference on Data Mining (ICDM’04). p:225–232.

    [66]

    Topchy, A., Jain, K. A. and Punch, W. 2003. Combining Multiple Weak Clusterings. In Third IEEE International Conference on Data Mining. p:331-338

    [67]

    Topchy, A., Jain, K. A. and Punch, W. 2004. A Mixture Model for Clustering Ensembles. The Fourth SIAM International Conference on Data Mining. p:379–390.

    [68]

    Topchy, A., Jain, K. A. and Punch, W. 2005. Clustering ensembles: models of consensus and weak partitions. IEEE Transactions on Pattern Analysis and Machine Intelligence. 27:1866-1881.

    [69]

    Vaidya, J. and Clifton, C. 2003. Privacy-Preserving K-Means Clustering over Vertically Partitioned Data. Proceedings of the 9th ACM SIGKDD international conference on Knowledge discovery and data mining. p:206-215.

    [70]

    Valente de, O. J. and Pedrycz, W. 2007. Advances in Fuzzy Clustering and its Applications. Wiley.

    [71]

    Weingessel, A., Dimitriadou, E. and Kurt, H. 2001. Voting-merging: An Ensemble Method for Clustering. Artificial Neural Networks-ICAN. Springer. p:217–224.

    [72]

    Xu, R. and Wunsch II, D. 2005. Survey of Clustering Algorithms. IEEE Transaction of Neural Networks. 16:645-678.

    [73]

    Zhang Fern, X. and E. Brodley, C. 2003. Random projection for high dimensional data clustering: A cluster ensemble approach. ICML, AAAI Press. p:186-193

    [74]

    Zhou, Q & Marchetti, Y. 2014. Solution path clustering with adaptive concave penalty. Electronic Journal of Statistics, 8(1), 1569-1603.

    [75]

    Zhao, Y. and Karypis, G. 2002. Technical Report 02-014. Computer Science and Engineering Technical Report. University of Minnesota.

    [76]

    Zhao, Y., Karypis, G. 2001. Criterion Functions for Document Clustering: Experiments and Analysis. Technical Report TR 01-40, University of Minnesota, Department of Computer Science / Army HPC Research Center Minneapolis.


تحقیق در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, مقاله در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, پروژه دانشجویی در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, پروپوزال در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, تز دکترا در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, تحقیقات دانشجویی درباره پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, مقالات دانشجویی درباره پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, پروژه درباره پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, گزارش سمینار در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, پروژه دانشجویی در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, تحقیق دانش آموزی در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, مقاله دانش آموزی در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن, رساله دکترا در مورد پایان نامه خوشه ‏بندی توافقی بر روی داده‏ های توزیع شده ناهمگن

پایان نامه دوره کارشناسی ارشد در رشته علوم تربیتی گرایش چکیده هدف از انجام این تحقیق بررسی ارتباط بین بکارگیری فناوری اطلاعات و گسترش فرصت های برابر آموزشی در آموزش و پرورش استان مازندران بود که به شیوه پیمایشی انجام گرفت. جامعه آماری را کلیه کارکنان ادارات آموزش و پرورش استان مازندران تشکیل می داد. برای این منظور سه اداره آموزش و پرورش در مرکز، شرق و غرب استان در نظر گرفته شد. ...

پایان‌نامه کارشناسی ارشد گرایش الکترونیک چکیده امروزه با توجه به مزایای شبکه­های حسگر بی­سیم که همانا پیاده­­سازی ساده و ارزان، مصرف توان پایین و مقیاس­پذیری بالای آنها است، در بسیاری از کاربردها مورد استفاده قرار گرفته­اند. طراحی شبکه­های پایدار حسگر بی­سیم یک مسئله بسیار چالش برانگیز است. انتظار می­رود حسگرها با انرژی محدود به صورت خودکار برای مدت طولانی کار کنند. این در حالی ...

پایان نامه جهت اخذ درجه کارشناسی ارشد M.Sc رشته سنجش از دور و سیستم اطلاعات جغرافیایی- منابع آب و خاک چکیده: جزایر حرارتی شهری مناطقی از سطح زمین را گویند که نسبت به مناطق همجوار دمای بالاتری دارند. گسترش این پدیده در بعد مکان و زمان متغیر است. ایجاد جزایر حرارتی و تغییرات مکانی و زمانی آن بیشتر تحت تاثیر تغییرات پوشش زمین و گسیل حرارت حاصل از فعالیت های انسانی می‌باشد. با توجه ...

پایان‌نامه دوره کارشناسی ارشد مهندسی کامپیوتر چکیده گسترش وب که فاقد یک ساختار یکپارچه است مشکلات متعددی را برای کاربران ایجاد می‌نماید. عدم یافتن اطلاعات مورد نیاز کاربران در این انباره‌ی عظیم یکی از مشکلات کاربران وب می‌باشد. به منظور مقابله با این مشکلات سیستم‌ های شخصی سازی وب ارائه شده‌ است که با یافتن الگوهای رفتاری کاربران بدون درخواست صریح آنها قادر هستند تا پیشنهاداتی ...

پایان‌نامه کارشناسی ارشد در رشته­­ی مهندسی کامپیوتر (نرم‌افزار چکیده شبکه ­های تورین محاسباتی (گرید) زمینه‌ای را فراهم آورده است که بتوان از منابع ناهمگن در نقاط مختلف جغرافیایی برای حل مسائل پیچیده علمی، مهندسی و تجارت استفاده کرد. عملیات زمانبندی نقش کلیدی در عملکرد گرید ایفا می­کند. بدلیل پویایی منابع و تخمین نادقیق زمان اجرایی و ... عملیات زمانبندی باید مکانیسم هایی را برای ...

پایان نامه کارشناسی ارشد در رشته مهندسی برق مخابرات- سیستم چکیده بررسی و ارائه یک الگوریتم مسیریابی مقاوم و کارا برای شبکه های بی سیم اقتضایی نظامی از اوایل دهه 1980 مفهومی جدید به نام دفاع مبتنی بر شبکه در نیروهای نظامی به وجود آمده است. جهت دستیابی به این مفهوم نیاز به داشتن یک شبکه مخابراتی نظامی با ظرفیت بالا وجود دارد تا بتواند اطلاعات را در بین نهادهای موجود در شبکه توزیع ...

پایان نامه جهت اخذ درجه کارشناسی ارشد (M.S.c) رشته: کامپیوتر گرایش: نرم افزار چکیده امروزه استفاده از بات نت ها به عنوان ابزاری جهت فعالیت های مجرمانه با وسعت زیاد در شبکه های کامپیوتری علیه اهداف وسیع مانند یک کشور بسیار افزایش یافته است. بات محیط توزیع شده ای است که از آن، جهت حملات مختلف با حجم وسیع استفاده می شود.از این جهت امروزه تشخیص این نوع حملات به عنوان یکی از مسائل ...

پایان نامه کارشناسی ارشد روانشناسی گرایش بالینی چکیده: اختلال های اضطرابی شامل اختلال هایی می شود که ویژگی مشترکشان ترس و اضطراب شدید و آشفتگی های رفتاری مرتبط می باشد. در این پژوهش اهمیت تشخیص اختلال های اضطرابی در جمعیت عمومی مورد بررسی قرار گرفته است. هدف مطالعه حاضر شیوع شناسی اختلال های اضطرابی در خراسان جنوبی می باشد. از جامعه آماری عمومی بالای 16 سال خراسان جنوبی، تعداد ...

پایان‌نامه برای دریافت درجه کارشناسی ارشد جامعه ‌شناسی چکیده نقش زن، در حفظ و ارتقای سلامت جسمی، روانی و اجتماعی فرد در خانواده و جامعه بدون جایگزین است و همواره با برعهده داشتن مسئولیت خطیر پرورش نسل آینده در نظام طبیعی و تداوم بخشیدن به این نقش در خانواده و جامعه به گونه ای موثر در روند توسعه اجتماعی نقش دارد. در این راستا مهمترین هدف پژوهش حاضر، آسیب شناسی نقش زنان در جامعه و ...

پایان نامه تحصیلی در مقطع کارشناسی ارشد ارتباطات،گرایش تبلیغ و ارتباط فرهنگی چکیده: این پژوهش با هدف بررسی نقش رسانه‌های‌جدید‌در ارتقاء‌فرهنگ‌دینی‌درمیان دانشجویان رشته ارتباطات دانشگاه تهران و سوره است. سوال اصلی این تحقیق این است که آیا رابطه‌ای بین رسانه های جدید و ارتقاء فرهنگ دینی وجود دارد؟ در این پژوهش با سود جستن ازآراء صاحب نظران،نتایج تحقیقات پیشین و مشاهدات شخصی ...

ثبت سفارش