skip to Main Content

شیوه پیشرفته و فرگشتی مقیاس پذیر درخوشه بندی چندمنظوره

عنوان انگلیسی: An Improved and More Scalable Evolutionary Approach to Multiobjective Clustering
سال نشر: ۲۰۱۸
نویسنده: Mario Garza-Fabre,Julia Handl,Joshua Knowles
تعداد صفحه فارسی: ۵۶ – تعداد صفحه انگلیسی: ۲۱
دانشگاه: IEEE Transactions on Evolutionary Computation
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

استنباط و درک چندمنظوره مسئله خوشه بندی یا همان دسته بندی داده ، نوید قابل توجهی مبنی بر امتیازات و مزایای مفهومی واضح درباره شیوه تک منظوره معمولی تر در این سالهای اخیررا داده است. آلگوریتم های فرگشتی (تکاملی) شدیدا باعث توسعه و پیشبرد این حوزه فعال تحقیق و مطالعه بر خوشه بندی چندمنظوره می شوند. با این حال، مقادیر حجم جدید دیده شده امروزی، باعث ایجاد چالش ها و تعارضات مهم و تعیین ضرورت ابزارهای موثرتر و مقیاس پذیر تر برای آنالیز و تحلیل داده می گردد.
این مقاله نوع پیشرفته ای از خوشه بندی چندمنظوره درتعیین خودکار k تعداد آلگوریتم را مطرح می نماید. آلگوریتم جدید ما باعث پیشبرد و بهبود موارد قبل به چندین جهت خاص می گردد، ولی تغییرات عمده بیشتر مرتبط با کاربرد مسیر موثر و تخصصی یافته و دو بازنمایی کاهش طول می باشد. این اجزای طرح ، داده ها و اطلاعات را ازحداقل درخت پوشا و تعیین و تغییر مسئله بر حسب بیشترین زیرمجموعه های مربوط سطوح آن می گیرند. این مطالعه مشخص می سازد که هم مسیر فرمت قالب بندی جدید و هم بازنمایی های حل جدید نه تنها باعث کاهش کدهای اضافی محاسباتی میشوند بلکه کاهش قابل ت

Abstract

The multiobjective realisation of the data clustering problem has shown great promise in recent years, yielding clear conceptual advantages over the more conventional, single-objective approach. Evolutionary algorithms have largely contributed to the development of this increasingly active research area on multiobjective clustering. Nevertheless, the unprecedented volumes of data seen widely today pose significant challenges and highlight the need for more effective and scalable tools for exploratory data analysis. This paper proposes an improved version of the multiobjective clustering with automatic k-determination algorithm. Our new algorithm improves its predecessor in several respects, but the key changes are related to the use of an efficient, specialised initialisation routine and two alternative reduced-length representations. These design components exploit information from the minimum spanning tree and redefine the problem in terms of the most relevant subset of its edges. Ou
۳۵۰,۰۰۰ ریال – خرید
امتیاز شما:
Back To Top