پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی

word 1 MB 31064 46
1393 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۵۹,۴۰۰ تومان
قیمت با تخفیف: ۲۱,۳۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان ‌نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر - هوش مصنوعی

    چکیده

    خوشه‌بندی داده‌ها روشی برای دسته‌بندی داده‌های مشابه می باشد که این روش سال‌ها در علوم مختلف به کار رفته و الگوریتم‌های زیادی در این زمینه طراحی شده است . تحقیقات اخیر خوشه‌بندی به سمت روش های ترکیبی که دارای قابلیت استحکام و دقت بیشتر هستند، هدایت می‌کند. خوشه‌بندی ترکیبی سعی می‌کند ابتدا خوشه‌بندی های اولیه تولید کند که تا حد ممکن دارای پراکندگی باشند سپس با اعمال یک تابع توافقی نتایج را با هم ترکیب می‌کند. در این پژوهش از ترکیب خوشه‌بندی فازی و ماشین بردار پشتیبان برای دسته‌بندی استفاده می‌شود.

    SVM   یکی از روش‌ های یادگیری با نظارت است که از آن برای دسته‌بندی داده‌ها استفاده می‌شود. SVM شبکه جدید و قدرتمندی است که فرمولی که برای یادگیری استفاده می‌کند بر اساس به حداقل رساندن مقدار خطاست. آموزش SVM ارتباط مستقیم با تعداد داده‌های آموزش دارد و اگرتعداد مراکز خوشه‌ها زیاد باشد زمان آموزش و حجم حافظه به شدت افزایش می‌یابد. شبکه ترکیبی (FS-FCSVM)  بدین شکل است که عمل خوشه‌بندی فازی بر روی داده‌های ورودی انجام می‌گیرد سپس پارامتر های شبکه با SVM آموزش می‌بینند، در نتیجه به شبکه ای با قابلیت تعمیم پذیری بالا دست می‌یابد. تعداد قوانین در این گونه سیستم‌ها به نسبت سیستم‌های فازی کوچکتر و زمان محاسبات آن کمتر است .

      در این پژوهش از روش خوشه‌ بندی کاهشی قبل از خوشه‌بندی فازی استفاده می‌شود.ایده اصلی خوشه‌بندی کاهشی جستجوی نواحی با چگالی بالا در فضای مشخصه اطلاعات داده‌ها است. هر نقطه که بیشترین تعداد همسایه را داشته باشد به عنوان مرکز خوشه انتخاب می‌شود.بعبارت دیگر با استفاده از تکنیک خوشه‌بندی کاهشی جهت انتخاب نقاط ویژگی که دارای تمایز بیشتر و شباهت کمتر نسبت به دیگر نقاط دارند استفاده شده است.

      در این پایان نامه ایده کار استفاده از خوشه‌بندی تفاضلی جهت پیدا کردن دقیق نقاط مرکزی خوشه‌ها و تعداد خوشه‌هاست که با این کار تعداد تکرار خوشه‌بندی فازی را کاهش می دهیم و همچنین از همین نقاط مرکزی به عنوان بخشی ازداده‌های آموزشی استفاده می کنیم و بخش دوم کار مربوط به انتخاب قسمت دیگر داده‌های آموزشی می‌باشد که برای انتخاب آنها نیز از ماتریس تعلق حاصل از خوشه‌بندی فازی بهره گرفته ایم که با تعیین یک محدوده عددی داده‌های دور از مرکز هر داده را نیز به عنوان بخش دیگر داده‌ها انتخاب کردیم که نهایتا با انتخاب این نقاط توانستیم تعداد داده‌های آموزشی را تا حد قابل ملاحظه ای تقلیل دهیم.

      نتایج آزمایشات انجام شده بر روی مجموعه دادههای بزرگ پایگاه داده UCI نشان میدهد که علاوه بر کاهش زمان آموزش با انتخاب مناسب داده‌ها باعث تقویت ویزگی مقاوم بودن SVM در برابر داده‌های نویزی و پرت و همچنین کاهش تعداد بردار پشتیبان انتخابی SVM در فضای داده بزرگ می‌شود.

     

    واژه‌های کلیدی: ماشین بردار پشتیبان، خوشه‌ بندی فازی، خوشه‌ بندی تفاضلی.

    1               فصل اول: مقدمه

     

    خوشه‌بندی

    خوشه‌بندی داده یکی از رایج‌ترین تکنیک‌های داده‌کاوی[1]است.خوشه‌بندی از جمله روش‌های پرکاربرد در تجزیه و تحلیل داده‌ها است. خوشه‌بندی فرآیند خودکاری است که نمونه‌ها به دسته هایی که اعضای آنها شبیه هم باشد تقسیم می‌شود که به این دسته‌ها، خوشه گفته می‌شود. به بیانی دیگر خوشه مجموعه‌ای از اشیا می‌باشد که در آن اشیا با یکدیگر مشابه بوده و با اشیا موجود در خوشه‌های دیگر غیر مشابه می‌باشند.

      خوشه‌بندی در زمینه‌های بسیاری از جمله در شناسایی الگو[2]، یادگیری ماشین، داده‌کاوی، بازیابی اطلاعات و انفورماتیک زیستی کاربرد دارد. هدف از انجام خوشه‌بندی ارائه چشم انداز مناسبی از اتفاقات در حال وقوع در پایگاه داده‌ها به مصرف کننده نهایی اطلاعات می‌باشد. کاربرد دیگر خوشه‌بندی را می‌توان در تعیین داده‌هایی که با سایر داده‌ها تفاوت چشمگیر دارند عنوان نمود.

      در خوشه‌ بندی سعی می‌شود جمعی از داده‌ها به صورت بدون ناظر به خوشه‌هایی تقسیم شوند که شباهت داده‌های درون هر خوشه حداکثر و شباهت بین داده‌های درون خوشه‌های مختلف حداقل شود [5,6].

      الگوریتم‌های خوشه‌بندی [7,8] اشیای داده‌ای (طرح‌ها، نهادها، نمونه‎ها، مشاهده‌ها، واحدها) را داخل تعداد خاصی از خوشه‌ها (گروه‌ها، زیر مجموعه‌ها یا مقاله‌ها) تفکیک می‌کنند.  اوریت[3] (2001) در مورد خوشه‌بندی بیان می‌کند که خوشه‌بندی مجموعه‌ای از نهادهای مشابه است، ولی نهادهای خوشه‏های مختلف شبیه هم نیستند.

      برای مشابه بودن می‌توان معیار های مختلفی را در نظر گرفت مثلا می‌توان معیار فاصله را برای خوشه‌بندی مورد استفاده قرار داد و اشیایی را که به یکدیگر نزدیکتر هستند را به عنوان یک خوشه در نظر گرفت که به این نوع خوشه‌بندی خوشه‌بندی مبتنی بر فاصله نیز گفته می‌شود.

      در شکل 1-1 هر یک از نمونه‌های ورودی به یکی از خوشه‌ها تعلق دارد و نمونه‌ای وجود ندارد که متعلق به بیش از یک خوشه باشد. بعنوان یک مثال دیگر شکل 1-2 را در نظر بگیرید در این شکل هر یک از دایره های کوچک یک وسیله نقلیه (شیء) را نشان می‌دهد که با ویژگی های وزن و حداکثر سرعت مشخص شده‌اند. هر یک از بیضی‌ها یک خوشه می‌باشد و عبارت کنار هر بیضی برچسب آن خوشه را نشان می‌دهد. کل دستگاه مختصات که نمونه‌ها در آن نشان داده شده‌اند را فضای ویژگی می‌گویند.

    همانطور که در شکل می‌بینید وسایل نقلیه به سه خوشه تقسیم شده‌اند. برای هر یک از این خوشه‌ها می‌توان یک نماینده در نظر گرفت مثلا می‌توان میانگین وسایل نقلیه باری را محاسبه کرد و بعنوان نماینده خوشه وسایل نقلیه باری معرفی نمود.در واقع الگوریتم‌های خوشه‌بندی اغلب بدین گونه‌اند که یک سری نماینده اولیه برای نمونه‌های ورودی در نظر گرفته می‌شود و سپس از روی میزان تشابه نمونه‌ها با این نماینده‌های مشخص می‌شود که نمونه به کدام خوشه تعلق دارد و بعد از این مرحله نماینده‌های جدید برای هر خوشه محاسبه می‌شود و دوباره نمونه‌ها با این نماینده‌ها مقایسه می‌شوند تا مشخص شود که به کدام خوشه تعلق دارند و این کار آنقدر تکرار می‌شود تا زمانی که نماینده‌های خوشه‌ها تغییری نکنند.

    معیار شباهت در خوشه‌بندی : اگر معیار تشابه در تابع هدف بر اساس فاصله تعریف شود می‌توان از تعاریف مختلفی که در مورد فاصله وجود دارد استفاده کرد که در زیر چند نمونه از این توابع آورده شده است.

    خوشه‌بندی فازی

    خوشه‌بندی فازی را می‌توان بخشی از تحلیل داده فازی دانست که دارای دو بخش است: یکی تحلیل داده‌های فازی و دیگری تحلیل داده‌های قطعی با استفاده از تکنیک‌های فازی.

      خوشه‌بندی فازی به کشف مدلهای فازی از داده‌ها می‌پردازد. ایده بنیادین در خوشه‌بندی فازی به این ترتیب است که فرض کنیم هر خوشه مجموعه‌ای از عناصر است. سپس با تغییر در تعریف عضویت عناصردر این مجموعه از حالتی که یک عنصر فقط بتواند عضو یک خوشه باشد به حالتی که هر عنصر می‌تواند با درجه عضویتهای مختلف داخل چندین خوشه قرار بگیرد، دسته بندی‌هایی که انطباق بیشتری با واقعیت دارند ارائه کنیم.

      در خوشه‌بندی کلاسیک هر نمونه‌ی ورودی متعلق به یک و فقط یک خوشه می‌باشد و نمی‌تواند عضو دو خوشه و یا بیشتر باشد و به زبان دیگر خوشه‌ها همپوشانی ندارند. حال حالتی را در نظر بگیرید که میزان تشابه یک نمونه با دو خوشه و یا بیشتر یکسان باشد. در خوشه‌بندی کلاسیک باید تصمیم‌گیری شود که این نمونه متعلق به کدام خوشه است. تفاوت اصلی خوشه‌بندی کلاسیک وخوشه‌بندی فازی در این است که یک نمونه می‌تواند متعلق به بیش از یک خوشه باشد[1]

      کاربردهای متعدد خوشه‌بندی فازی در تحلیل داده‌ها و تشخیص الگو و نیز زمینه های پژوهشی موجود در این زمینه از جمله استفاده از آن در حل مسائل مسیریابی، تخصیص و زمان‌بندی نیاز به مطالعه الگوریتم‌های موجود و بهبود و اصلاح آنها را آشکارتر می‌نماید[4].

    1-2-1   الگوریتم‌های پایه‌ای خوشه‌بندی فازی

    یکی از اولین روشهای خوشه‌بندی فازی که بر مبنای تابع هدف و استفاده از فاصله اقلیدسی بنا شده بود  در سال 1974توسط دان ارائه و سپس توسط بزدک تعمیم داده شد. الگوریتم حاصل ابرهای کروی از نقاط را در یک فضای P بعدی شناسایی می کند این خوشه‌ها به طور مفروض تقریباً هم اندازه هستند . هر خوشه با مرکزش نمایش داده می شود. این نحوه نمایش خوشه‌ها،مدل یا نمونه  نیز نامیده می شود، زیرا اغلب به عنوان نماینده همه داده‌های تخصیص داده شده به خوشه انگاشته می شو د .در انتخاب مرکز خوشه، مقدار میانگین مورد استفاده قرار می گیرد. برای محاسبه مرکز خوشه مجموع درجات عضویت هر  عنصر به توان m در خودش به حاصلضرب توان m درجه عضویت ها تقسیم می‌شود. مشکلی که در ارتباط با این الگوریتم مطرح است این است که الگوریتم نمی‌تواند خوشه‌هایی با اشکال و اندازه ها و چگال ی های متفاوت شناسایی کند. برای شناسایی اشکال دیگر به جای ماتریس همانی در تعیین فاصله می توان از ماتریس های دیگر بهره جست مانند ماتریس قطری برای تشخیص خوشه‌های بیضوی . از مزایای این الگوریتم، سهولت آن است که منجر به کاهش زمان محاسباتی می شود. در عمل با تکرارهای کمی می‌توان به حلی تقریباً نهایی رسید. پس از آن یانگ یک بررسی اجمالی روی روش‌های خوشه‌بندی فازی انجام داد.

      با جایگزین کردن فاصله اقلیدسی با متر دیگری (که توسط یک ماتریس متقارن و معین ایجاد شده است) می‌توان به شناسایی خوشه‌های بیضوی نیز دست یافت.این پیشنهاد توسط گوستافسون و کسل در سال 1979ارائه شد.که الگوریتم خوشه‌بندی فازی را با استفاده از ماتریس کوواریانس فازی ارائه نمودند.

      در این روش هر خوشه علاوه بر مرکز خوشه توسط یک ماتریس متقارن، معین و مثبت مشخص می شود. این ماتریس برای هر خوشه یک نرم ایجاد می کند. باید این موضوع را هم در نظر گرفت که با انتخاب دلخواه و اختیاری ماتریس ها،  فاصله ها می توانند به طور دلخواه کوچک شوند . برای اجتناب از حداقل سازی تابع هدف با ماتریس های با ورودی های تقریباً صفر، نیاز به مقداری ثابت برای خوشه‌ها با ماتریسی با دترمینان یک داریم . بنابراین حالا فقط شکل خوشه‌ها متغیر است نه اندازه هایشان. اما گوستافسون و کسل اشکال متفاوت برای خوشه‌ها را نیز مقدور ساختند بدین ترتیب که یک مقدار ثابت e برای هر ماتریس A معرفی کردند و در حالت کلی باید det(A)=e .اگرچه انتخاب ثابت ها نیز نیاز به یک دانش پیشین در مورد خوشه‌ها دارد. کیفیت نتیجه حاصل از این روش به شدت وابسته به داده‌های در دسترس است.اشکال بیضوی حاصل از GK در مورد مثال های یکسان با FCM که اشکال کروی حاصل میشد خوشه‌بندی بهتری را حاصل می کند البته موضوع تجمع نقاط در مراکز خوشه‌ها در مورد خوشه بندی امکانی باGK نیز به صورت مسئله باقی میماند. اگر داده‌ها با رویکرد امکان خوشه بندی شوند، فاکتورهای توسعه برای خوشه‌ها می‌توانند برای تشخیص اشکال در تصاویر مورد استفاده قرار گیرند موقعیت و جهت را از مرکز خوشه و ماتریس می توان بدست آورد در مقایسه با FCM هزینه های محاسباتی GK بسیار بیشتر است یک روش پیشنهادی مؤثر در کاهش گام های تکرار و افزایش سرعت همگرایی، آغاز الگوریتمGK  با نتایج حاصل از یک بار اجرای FCM است .

      تلفیق رویکرد امکان درخوشه‌بندی فازی نخستین بار توسط کیم و کریشناپورام در سال 1993 صورت گرفت. این روش بر معیار وزن η استوار است که در آن از تغییر تابع برازندگی و اضافه شدن وزن‌های ورودی برای کاهش تأثیر داده‌های دور افتاده بر مراکز خوشه‌ها استفاده شده است.

    (فرمول ها در فایل اصلی موجود است )                                                                                            

    در رابطه (1-1)، µ تابع عضویت هر نمونه داده،d  فاصله اقلیدسی،n  تعداد نمونه داده،m  یک عدد حقیقی بزرگتر از یک است[16] . تابع برازندگی این الگوریتم به صورت رابطه (1-2) در نظر گرفته شده است.

    (فرمول ها در فایل اصلی موجود است )

     

      در رابطه فوق، c تعداد خوشه ‌نهایی، η وزن هر خوشه طبق رابطه (1-2)، J تابع برازندگی (هدف) است.

      در ‌الگوریتم C میانگین امکانی با در نظر گرفتن وزن η و با استفاده از رابطه (1-3) تعلق (تابع ‌عضویت) برای هر داده‌ای، تأثیر داده‌های دور افتاده را به مراکز خوشه‌ها به حد کمتری می‌رساند و مجموع مولفه هر داده، عددی بین 0و 1 خواهد شد، در صورتی که در الگوریتم C میانگین فازی مجموع مولفه هر داده یک است.

                          (فرمول ها در فایل اصلی موجود است )

      با استفاده از رابطه‌‌ (1-3) تابع عضویت برای هر داده و رابطه (1-4) مراکز خوشه محاسبه می‌شود. تابع برازندگی الگوریتم C میانگین امکانی مقدار بیشتری نسبت به الگوریتم C میانگین فازی ایجاد می‌کند. اما در الگوریتم C میانگین امکانی تعداد مراحل پیدا کردن خوشه ‌نهایی افزایش می‌یابد. اگر در این الگوریتم، خوشه اولیه تصادفی در نظر گرفته نشود و مراکز خوشه‌ها، خوشه‌های نهایی الگوریتم C میانگین فازی در نظر گرفته شود، بیشتر بودن مقدار تابع برازندگی الگوریتم C میانگین امکانی به وضوح دیده شده است.

     

      پس از آن نیز اصلاحات و بهبودهای بسیاری روی الگوریتم‌های ارائه شده صورت گرفته‌اند طبق دسته‌بندی صورت گرفته در این مقاله، الگوریتم‌های پایه‌ای در زمینه خوشه‌بندی فازی محدود به Fuzzy C-Means و Possibilistic C-Means شد که از Hard C-Means که در ادبیات موضوع با عنوان الگوریتم K-Means معرفی شده است استخراج شده اند[5].

    الگوریتم Possibilistic C-Means مشخصه نسبی بودن درجه عضویت احتمالی را بیان می کند.

    Abstract:

      Data clustering is a technique for grouping similar data. The method has been used for years in various sciences and many algorithms have been developed in this area. Recent research on clustering has focused on hybrid methods which have more strength and accuracy.

      Most recent studies in the field of hybrid clustering have tried to produce primary clusters with the highest possible dispersion. Then, results are combined by applying a consensus function. In this study, a combination of fuzzy clustering and support vector machine (SVM) is used for classification.
    SVM is a supervised learning method which is used for classification. In hybrid network structure (FS-FCSVM), fuzzy clustering is performed on the input data. Next, network parameters are trained with SVM. As a result, a network with high generalizability is achieved.

      SVM training is directly correlated with the number of training data. If after the fuzzy clustering, the number of cluster centers is high, the training time and memory size are increased significantly. This is the main disadvantage of this type of clustering.In this study, to solve the above problem, subtractive clustering is used after fuzzy clustering. In other words, the technique of subtractive clustering is used to select areas with more distinctive features and fewer similarities than other areas.

     

    Keywords: Support vector machine, fuzzy clustering, differential clustering.

     

  • فهرست:

    فصل اول: مقدمه  

    خوشه‌بندی .......................................................................................................................................    2

    خوشه‌بندی فازی .............................................................................................................................    5

    الگوریتم‌های پایه‌ای خوشه‌بندی فازی ...............................................................................    5

    روش کار خوشه‌بندی فازی ....................................................................................................   9

    مروری بر مقالات خوشه‌بندی فازی سالهای اخیر ..........................................................     8

    خوشه‌بندی تفاضلی ........................................................................................................................   11

    ماشین بردار پشتیبان ...................................................................................................................    12

    روش کار ماشین بردار پشتیبان .........................................................................................    12

    ماشین بردار پشتیبان جدایی‌پذیر ....................................................................................     14

    ماشین بردار پشتیبان غیرخطی ......................................................................................      15

    فصل دوم: مروری بر کارهای انجام شده

    2-1     مقدمه ............................................................................................................................................      19

    2-2     کارهای انجام شده ......................................................................................................................      19

    فصل سوم: روش پیشنهادی

    3-1     مقدمه  .........................................................................................................................................       24

    3-2     چارچوب کلی روش پیشنهادی ..............................................................................................       24

    فصل چهارم: نتایج شبیه‌سازی    

    4-1     مقدمه ............................................................................................................................................      28

    4-2     پایگاه‌داده و پارامترهای شبیه‌سازی ......................................................................................       28

    فصل پنجم: نتیجه‌گیری و کارهای آینده

    5-1    تیجه‌گیری...............................................................................................................................................33

    5-2    کارهای آینده..................................................................................................................................      33

    واژه‌نامه .........................................................................................................................................................      34

    مراجع ............................................................................................................................................................      35

     

    منبع:

     

    [1] Osmar R. Zaïane: “Principles of Knowledge Discovery in Databases - Chapter 8: Data Clustering” .

    [2] Pier Luca Lanzi: “Ingegneria della Conoscenza e Sistemi Esperti – Lezione 2: Apprendimento non supervisionato”.

    [3] Grossman R.L. and Hornick M.F. and Meyer G., Data mining standards initiatives, Communications of the ACM, Vol 45, No 8, 2002.

     

    [4] F. Hoppner, F.Klawonn, R.Kruse, T.Runkler; Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition, John Wiley & Sons, 2000.

    [5] H.Timm, C.Borgelt, C.Do¨Ring,R.Andkruse, “An Extension To Possibilistic Fuzzy Cluster Analysis”, Fuzzy sets And Systems 147, 3–16, 2004.

    [6] Chiu, S., "Fuzzy Model Identification Based on Cluster Estimation," Journal of Intelligent & Fuzzy Systems,Vol. 2, No. 3, Sept. 1994.

     

    [7] R.P. Paiva, A. Dourado, Interpretability and learning in neuro-fuzzy systems, Fuzzy Sets Syst. 147 (1) 17–38.2004.

    [8]J.C. Dunn; “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well Separated Clusters”. Journ. Cybern. 3, 95-104, 1974.

    [9]J. M. Geusebroek, G. J. Burghouts, and A.W. M.Smeulders. “The Amsterdam library of object images”, Int. J. Comput. Vision, 61(1):103–112, January 2005.

    [10] C. Cortes, V. Vapnik, “Support-VectorNetworks”, Machine Learning, Vol. 20, pp. 273-297, 1995.

     

    [11] C.J.C. Burges, “A Tutorial on Support VectorMachines for Pattern Recognition”, Data Miningand Knowledge Discovery, Vol. 2, pp. 121-167,1998.

     

    [12] B. Schölkopf, A.J. Smola, Learning withKernels, MIT Press, Cambridge, MA, 2002.

     

    [13] B. Schölkopf et al., “Comparing SupportVector Machines with Gaussian Kernels to RadialBasis Function Classifiers”, IEEE Trans. on SignalProcessing, Vol. 45, No. 11, pp. 2758-2765, Nov.1997.

     

    [14] C.-F. Lin, S.-D. Wang, “Fuzzy Support VectorMachines”, IEEE Trans. on Neural Networks, Vol.13, No. 2, pp. 464-471, March 2002.

     

    [15] S. Abe, T. Inoue, “Fuzzy Support VectorMachines for Multiclass Problems”, EuropeanSymposium on Artificial Neural Networks(ESANN’2002), pp. 113-118, Bruges, Belgium,April 2002.

     

    [16] C. Juang, Member, IEEE, S. Chiu, and S. Shiu, “Fuzzy System Learned Through Fuzzy Clustering and Support Vector Machine for Human Skin Color Segmentation,” IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART A: SYSTEMS AND HUMANS, VOL. 37, NO. 6, NOVEMBER 2007.

    [17] S.Chen, Senior Member, IEEE, and Y. Chang “A New Method for Weighted Fuzzy Interpolative Reasoning Based on Weights-Learning Techniques” vol. 12, no. 12, pp. 820-832, 2004.

    [18] E. I. Papageorgiou, Ath. Markinos, and Th. Gemtos, “Learning Algorithms for Fuzzy Cognitive” IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS, VOL. 42, NO. 2, MARCH 2012.

    [19] H.-P. Huang, Y.-H. Liu, “Fuzzy SupportVector Machines for Pattern Recognition and DataMining”, International Journal of Fuzzy Systems,Vol. 4, No. 3, pp. 826-835, Sep. 2002.

     

    [20] J. Platt, “Fast training of support vector machines using sequential minimal optimization,” in Advances in Kernel Methods-Support Vector Learning, B. Schölkopf, C. Burges, and A. Smola, Eds. Cambridge,MA: MIT Press, 1999, pp.185–208.

    [21] Ftp.ics.uci.edu/pub.

     


موضوع پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, نمونه پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, جستجوی پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, فایل Word پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, دانلود پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, فایل PDF پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, تحقیق در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, مقاله در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, پروژه در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, پروپوزال در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, تز دکترا در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, تحقیقات دانشجویی درباره پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, مقالات دانشجویی درباره پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, پروژه درباره پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, گزارش سمینار در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, پروژه دانشجویی در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, تحقیق دانش آموزی در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, مقاله دانش آموزی در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی, رساله دکترا در مورد پایان نامه خوشه بندی فازی داده ها بر اساس منطق فازی

پایان نامه جهت اخذ مدرک کارشناسی ارشد در رشته مهندسی کامپیوتر – گرایش نرم‌افزار چکیده در تمامی پروژه­ هایی که امروزه انجام می­شوند بحث مدیریت مسأله­ای بسیار تعیین کننده است. پروژه­های نرم­افزاری نیز از این قاعده مستثنی نیستند. از مهم‌ترین جنبه­های فعالیت توسعه نرم­افزاری بحث مدیریت زمان و هزینه است. با توجه به اینکه در مراحل ابتدایی توسعه نرم­افزار اطلاعات دقیقی نسبت به جنبه­های ...

پايان نامه کارشناسي ارشد، رشته مديريت صنعتي، گرايش تحقيق در عمليات شهريور 1390 چکيده نحوه و چگونگي انتخاب از ديرباز موضوع بحث فلاسفه و دانشمندان بوده است، لذا حصول نتايج رضايت بخش نيازمند طي

پایان نامه کارشناسی ارشد در رشته مدیریت فناوری اطلاعات گرایش کسب و کار الکترونیک چکیده: در عصر حاضر یکی از مهمترین اختراعات بشری که تغییرات شگرفی را در زندگی بشریت ایجاد نموده، پیدایش رایانه و بدنبال آن اینترنت بوده که باعث رقم زدن دنیای مجازی و انگیزه ای برای دانشگاهها شده است تا در بخش آموزش الکترونیکی سرمایه گذاری کنند. اما آنچه که اهمیت بحث را روشن تر می سازد، تلاش برای کسب ...

پایان نامه کارشناسی ارشد در رشته مهندسی اتوماسیون و ابزار دقیق چکیده ارائه روشی جدید در خوشه­بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c-means خوشه­بندی قرار دادن داده­ها در گروه­هایی است که اعضای هر گروه از زاویه خاصی به هم شباهت دارند . شباهت بین داده­های درون هر خوشه حداکثر و شباهت بین داده­­های درون خوشه­های متفاوت حداقل می­باشد. Fuzzy c-means نیز یک تکنیک ...

پایان نامه کارشناسی ارشد در رشته مهندسی اتوماسیون و ابزار دقیق چکیده ارائه روشی جدید در خوشه­بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c-means خوشه­بندی قرار دادن داده ­ها در گروه­هایی است که اعضای هر گروه از زاویه خاصی به هم شباهت دارند . شباهت بین داده­های درون هر خوشه حداکثر و شباهت بین داده­­های درون خوشه­های متفاوت حداقل می­باشد. Fuzzy c-means نیز یک تکنیک خوشه­ ...

پایان نامه کارشناسی ارشد رشته: مهندسی کامپیوتر گرایش: نرم‌افزار چکیده گرانبار شدن اطلاعات یک مشکل عمده در وب کنونی به شمار می­رود. برای مقابله با این مشکل، سیستم‌های شخصی­سازی وب ارائه شده­اند که محتوا و سرویس­های یک وب­سایت را با افراد براساس علایق و رفتار گردشی آن­ها سازگار می­کنند. یک مؤلفه­ی اساسی در هر سیستم شخصی­سازی وب، مدل کاربر آن است. هدف از شخصی سازی وب، مهیا ساختن ...

پایان­نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی کامپیوتر – هوش مصنوعی چکیده بخش­بندی تصویر یک فرآیند اساسی در بسیاری از کاربردهای پردازش­ تصویر و بینایی ماشین است که می­تواند به عنوان اولین مرحله پردازش سطح پایین در پردازش تصاویر دیجیتالی در نظر گرفته شود. بخش­بندی تصویر کاربردهای گوناگونی مانند پردازش تصاویر پزشکی، شناسایی چهره، سیستم­های کنترل ترافیک و غیره دارد. با توجه ...

پايان‌نامه دوره کارشناسي‌ارشد مديريت (گرايش صنعتي) تابستان 1390 چکيده مدل هاي تحليل پوششي داده ها از ديرباز مورد استفاده ي متخصصان جهت سنجش ،مقايسه و بهبود کارايي بوده است. با در

پایان­نامه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش: نرم افزار چکیده: پردازش ابری و محیط ابر و پایگاه داده­ های ابری محل ذخیره­ سازی اطلاعات روی وب می­باشد و برای بالا بردن امنیت در آن ها باید بهترین راه حل را استفاده کرد. مساله ما در اینجا طبقه­بندی داده­های محرمانه و فوق­محرمانه و سپس رمزگذاری آن ها برای ذخیره در ابر می­باشد برای این کار سرعت و دقت بسیار مهم می­باشد. در این ...

پایان نامه جهت اخذ درجه کارشناسی ارشدM .Sc رشته جغرافیای طبیعی_ ژئومورفولوژی در برنامه­ ریزی محیطی چکیده شهر در محیط جغرافیایی نه بر اساس ظرفیت و امکانات بلکه بر اساس اضطرار و ضرورت­ها گسترش پیدا می­کند. این مساله در شهرهای امروزی به شدت به­چشم می­خورد نکته­ی قابل توجه آنکه شهر باید در هماهنگی تمام با قرارگاه طبیعی خود قرار بگیرد و ضروری است که انسان بتواند با بستر زمین یک ...

ثبت سفارش