منابع و ماخذ پایان نامه عدم تمرکز، ساختار داده

دانلود پایان نامه ارشد

…………………………………………………………………………………………… 100
شکل3-9. تبديل عملگر شرط کامل به گراف …………………………………………………………………………………………… 101
شکل3-10. تبديل عملگر شرط تو در تو به گراف ……………………………………………………………………………………. 101
شکل3-11. تبديل عملگر حلقه ساده به گراف …………………………………………………………………………………………. 102
شکل3-12. تبديل عملگر حلقه با پرش به گراف ……………………………………………………………………………………… 102
شکل3-13. پياده‌سازي شرط ساده بدون هيچ کد اضافي ……………………………………………………………………………. 103
شکل3-14. پياده‌سازي شرط ساده با کدهاي قبل و بعد آن ………………………………………………………………………… 103
شکل3-15. پياده‌سازي شرط کامل …………………………………………………………………………………………………………. 104
شکل3-16. پياده‌سازي شرط‌ تو در تو …………………………………………………………………………………………………….. 104
شکل3-17. پياده‌سازي يک شرط کامل در يک شرط ساده ………………………………………………………………………… 105
شکل3-18. پياده‌سازي يک شرط کامل در يک شرط کامل ديگر ………………………………………………………………… 105
شکل3-19. پياده‌سازي حلقه ساده ………………………………………………………………………………………………………….. 106
شکل3-20. پياده‌سازي يک حلقه ساده داخل حلقه‌اي ديگر ……………………………………………………………………….. 106
شکل3-21. پياده‌سازي يک حلقه داخل يک شرط کامل ……………………………………………………………………………. 106
شکل3-22. پياده‌سازي يک شرط کامل داخل يک حلقه ساده …………………………………………………………………….. 107
شکل3-23. ماتريس درجه وابستگي‌ کد ………………………………………………………………………………………………….. 108
شکل3-24. شبه کد مقايسه محتواي دو خانه از آرايه‌هاي استقلال الگوريتم …………………………………………………. 108
شکل3-25. چهارچوب خوشه‌بندي خردمند مبتني بر گراف استقلال الگوريتم ……………………………………………… 110
شکل3-26. شبه کد خوشه‌بندي خردمند مبتني بر گراف استقلال الگوريتم …………………………………………………… 113
فصل چهارم
شکل۴-۱. مجموعه داده Halfring ………………………………………………………………………………………………………….. 118
شکل4-2. الگوريتم K-means ……………………………………………………………………………………………………………….. 121
شکل4-3. الگوريتم FCM …………………………………………………………………………………………………………………….. 121
شکل4-4. الگوريتم Median K-Flats …………………………………………………………………………………………………….. 122
شکل4-5. الگوريتم Gaussian Mixture …………………………………………………………………………………………………. 122
شکل4-6. الگوريتم خوشه‌بندي Subtractive …………………………………………………………………………………………… 122
شکل4-7. الگوريتم پيوندي منفرد با استفاده از معيار فاصله اقليدسي …………………………………………………………… 123
شکل4-8. الگوريتم پيوندي منفرد با استفاده از معيار فاصله Hamming ………………………………………………………. 123
شکل4-9. الگوريتم پيوندي منفرد با استفاده از معيار فاصله Cosine …………………………………………………………… 123
شکل4-10. الگوريتم پيوندي کامل با استفاده از معيار فاصله اقليدسي …………………………………………………………. 124
شکل4-1۱. الگوريتم پيوندي کامل با استفاده از معيار فاصله Hamming …………………………………………………….. 124
شکل4-1۲. الگوريتم پيوندي کامل با استفاده از معيار فاصله Cosine ………………………………………………………….. 124
شکل4-1۳. الگوريتم پيوندي ميانگين با استفاده از معيار فاصله اقليدسي ……………………………………………………… 124
شکل4-14. الگوريتم پيوندي ميانگين با استفاده از معيار فاصله Hamming …………………………………………………. 125
شکل4-15. الگوريتم پيوندي ميانگين با استفاده از معيار فاصله Cosine ……………………………………………………… 125
شکل4-16. الگوريتم پيوندي بخشي با استفاده از معيار فاصله اقليدسي ………………………………………………………. 125
شکل4-17. الگوريتم پيوندي بخشي با استفاده از معيار فاصله Hamming …………………………………………………… 125
شکل4-18. الگوريتم پيوندي بخشي با استفاده از معيار فاصله Cosine ……………………………………………………….. 126
شکل4-19. طيفـي با استفاده از ماتريس شباهت نامتراکم ………………………………………………………………………….. 126
شکل4-20. طيفـي با استفاده از روش نيستروم با متعادل ساز …………………………………………………………………… 127
شکل4-21. طيفـي با استفاده از روش نيستروم بدون متعادل ساز ………………………………………………………………. 127
شکل4-22. نرم‌افزار تحليل‌گر کد استقلال الگوريتم ………………………………………………………………………………….. 128
شکل4-23. ماتريس AIDM ………………………………………………………………………………………………………………….. 129
شکل4-24. ميانگين دقت الگوريتم‌هاي خوشه‌بندي ………………………………………………………………………………….. 131
شکل4-25. رابطه ميان آستانه استقلال و زمان اجراي الگوريتم در روش پيشنهادي اول …………………………………. 133
شکل4-26. رابطه ميان آستانه پراکندگي و زمان اجراي الگوريتم در روش پيشنهادي اول ………………………………. 133
شکل4-27. رابطه ميان آستانه استقلال و دقت نتيجه نهايي در روش پيشنهادي اول ………………………………………. 134
شکل4-28. رابطه ميان آستانه پراکندگي و دقت نتيجه نهايي در روش پيشنهادي اول …………………………………….. 134
شکل4-29. رابطه ميان آستانه عدم تمرکز و دقت نتيجه نهايي در روش پيشنهادي اول ………………………………….. 135
شکل4-30. رابطه ميان آستانه پراکندگي و زمان اجراي الگوريتم در روش پيشنهادي دوم ………………………………. 135
شکل4-31. رابطه ميان آستانه پراکندگي و دقت نتايج نهايي در روش پيشنهادي دوم …………………………………….. 136
شکل4-32. رابطه ميان آستانه عدم تمرکز و دقت نتايج نهايي در روش پيشنهادي دوم ………………………………….. 137
شکل4-33. مقايسه زمان اجراي الگوريتم‌ ………………………………………………………………………………………………… 138

فصل اول
مقدمه

1. مقدمه
1-1. خوشه‌بندي
به عنوان يکي از شاخه‌هاي وسيع و پرکاربرد هوش مصنوعي1، يادگيري ماشين2 به تنظيم و اکتشاف شيوه‌ها و الگوريتم‌هايي مي‌پردازد که بر اساس آن‌ها رايانه‌ها و سامانه‌هاي اطلاعاتي توانايي تعلم و يادگيري پيدا مي‌کنند. طيف پژوهش‌هايي که در مورد يادگيري ماشيني صورت مي‌گيرد گسترده ‌است. در سوي نظر‌ي آن پژوهش‌گران بر آن‌اند که روش‌هاي يادگيري تازه‌اي به وجود بياورند و امکان‌پذيري و کيفيت يادگيري را براي روش‌هايشان مطالعه کنند و در سوي ديگر عده‌اي از پژوهش‌گران سعي مي‌کنند روش‌هاي يادگيري ماشيني را بر مسائل تازه‌اي اعمال کنند. البته اين طيف گسسته نيست و پژوهش‌هاي انجام‌شده داراي مؤلفه‌هايي از هر دو رو‌يكرد هستند. امروزه، داده‌كاوي3 به عنوان يك ابزار قوي براي توليد اطلاعات و دانش از داده‌هاي خام، در يادگيري ماشين شناخته‌شده و همچنان با سرعت در حال رشد و تكامل است. به طور كلي مي‌توان تکنيک‌هاي داده‌كاوي را به دو دسته بانظارت4 و بدون نظارت5 تقسيم كرد [29, 46].
در روش بانظارت ما ورودي (داده يادگيري6) و خروجي (كلاس7 داده) يك مجموعه داده را به الگوريتم هوشمند مي‌دهيم تا آن الگوي8 بين ورودي و خروجي را تشخيص دهد در اين روش خروجي كار ما مدلي9 است كه مي‌تواند براي ورودي‌هاي جديد خروجي درست را پيش‌بيني10 كند. روش‌هاي طبقه‌بندي11 و قوانين انجمني12 از اين جمله تكنيك‌ها مي‌باشد. روش‌هاي با نظارت كاربرد فراواني دارند اما مشكل عمده اين روش‌ها اين است كه همواره بايد داده‌اي براي يادگيري وجود داشته باشد كه در آن به ازاي ورودي مشخص خروجي درست آن مشخص شده باشد. حال آنكه اگر در زمينه‌اي خاص داده‌اي با اين فرمت وجود نداشته باشد اين روش‌ها قادر به حل اين‌گونه مسائل نخواهند بود [29, 68]. در روش بدون نظارت برخلاف يادگيري بانظارت هدف ارتباط ورودي و خروجي نيست، بلکه تنها دسته‌بندي ورودي‌ها است. اين نوع يادگيري بسيار مهم است چون خيلي از مسائل (همانند دنياي ربات‌ها) پر از ورودي‌هايي است که هيچ برچسبي13 (كلاس) به آن‌ها اختصاص داده نشده است اما به وضوح جزئي از يک دسته هستند [46, 68]. خوشه‌بندي14 شاخص‌ترين روش در داده‌كاوي جهت حل مسائل به صورت بدون ناظر است. ايده اصلي خوشه‌بندي اطلاعات، جدا کردن نمونه‌ها از يكديگر و قرار دادن آن‌ها در گروه‌هاي شبيه به هم مي‌باشد. به اين معني كه نمونه‌هاي شبيه به هم بايد در يك گروه قرار بگيرند و با نمونه‌هاي گروه‌هاي ديگر حداكثر متفاوت را دارا باشند [20, 26]. دلايل اصلي براي اهميت خوشه‌بندي عبارت‌اند از:
اول، جمع‌آوري و برچسب‌گذاري يك مجموعه بزرگ از الگوهاي نمونه مي‌تواند بسيار پركاربرد و باارزش باشد.
دوم، مي‌توانيم از روش‌هاي خوشه‌بندي براي پيدا کردن و استخراج ويژگي‌ها15 و الگوهاي جديد استفاده كنيم. اين كار مي‌تواند كمك به سزايي در كشف دانش ضمني16 داده‌ها انجام دهد.
سوم، با خوشه‌بندي مي‌توانيم يك ديد و بينشي از طبيعت و ساختار داده به دست آوريم كه اين مي‌تواند براي ما باارزش باشد.
چهارم، خوشه‌بندي مي‌تواند منجر به كشف زير رده‌هاي17 مجزا يا شباهت‌هاي بين الگوها ممكن شود كه به طور چشمگيري در روش طراحي طبقه‌بندي قابل استفاده باشد.
1-2. خوشه‌بندي تركيبي

پایان نامه
Previous Entries منابع پایان نامه ارشد درمورد مراقبتي، تعويق، Next Entries دانلود پایان نامه با موضوع personality، individual، Personality