ترجمه مقاله اثر کلی گروه خوشه بندی طیفی با وزن بالا - نشریه IEEE

ترجمه مقاله اثر کلی گروه خوشه بندی طیفی با وزن بالا - نشریه IEEE
قیمت خرید این محصول
۳۷,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
اثر کلی گروه خوشه بندی طیفی با وزن بالا
عنوان انگلیسی
Weighted Spectral Cluster Ensemble
صفحات مقاله فارسی
25
صفحات مقاله انگلیسی
10
سال انتشار
2015
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
5341
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر
گرایش های مرتبط با این مقاله
مهندسی الگوریتم ها و محاسبات، مهندسی نرم افزار و برنامه نویسی
مجله
کنفرانس بین المللی داده کاوی
دانشگاه
وزارت علوم و فناوری کامپیوتر، دانشگاه هوانوردی و فضانوردی نانجینگ، چین
کلمات کلیدی
گروه خوشه، خوشه بندی طیفی، پیمانه (ماژورلار) نرمال، خوشه بندی تجمعی شاهد سنگین
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
Ι. مقدمه
II. آثار مربوطه
III. روش ارائه شده
IV. آزمایشات
A. مجموعه داده ها
B. آنالیز عملکرد
C. آنالیز نویز و ارزش از دست رفته
D. آنالیز پارامتر
V. نتیجه گیری
تصدیق و سپاس گذاری
نمونه چکیده متن اصلی انگلیسی
Abstract

Clustering explores meaningful patterns in the non-labeled data sets. Cluster Ensemble Selection (CES) is a new approach, which can combine individual clustering results for increasing the performance of the final results. Although CES can achieve better final results in comparison with individual clustering algorithms and cluster ensemble methods, its performance can be dramatically affected by its consensus diversity metric and thresholding procedure. There are two problems in CES: 1) most of the diversity metrics is based on heuristic Shannon’s entropy and 2) estimating threshold values are really hard in practice. The main goal of this paper is proposing a robust approach for solving the above mentioned problems. Accordingly, this paper develops a novel framework for clustering problems, which is called Weighted Spectral Cluster Ensemble (WSCE), by exploiting some concepts from community detection arena and graph based clustering. Under this framework, a new version of spectral clustering, which is called Two Kernels Spectral Clustering, is used for generating graphs based individual clustering results. Further, by using modularity, which is a famous metric in the community detection, on the transformed graph representation of individual clustering results, our approach provides an effective diversity estimation for individual clustering results. Moreover, this paper introduces a new approach for combining the evaluated individual clustering results without the procedure of thresholding. Experimental study on varied data sets demonstrates that the prosed approach achieves superior performance to state-of-the-art methods.

نمونه چکیده ترجمه متن فارسی
چکیده
خوشه بندی الگوهای معنی دار را در مجموعه داده های غیر نشاندار و بدون برچسب بررسی می کند. انتخاب گروه خوشه (CES) یک رویکرد جدید است ، که می تواند نتایج خوشه بندی منحصر به فرد را برای افزایش عملکرد نتایج نهایی ترکیب کند. اگر چه CES در مقایسه با الگوریتم های خوشه بندی منحصر به فرد و روش های خوشه بندی گروهی، می تواند به نتایج نهایی بهتری برسد ، عملکرد آن می تواند به طور چشمگیری توسط معیار تنوع اجماع و روش آستانه تحت تأثیر قرار گیرد. دو مشکل در CES وجود دارد : 1) اینکه بیشتر معیارهای تنوع بر اساس آنتروپی اکتشافی شانون است و 2) در CES برآورد مقادیر آستانه در عمل واقعا سخت است. هدف اصلی این مقاله ارائه یک رویکرد قوی برای حل مشکلات مذکور در بالا است. بر این اساس، این مقاله یک چارچوب جدید را ، با بهره گیری از برخی مفاهیم عرصه تشخیص جامعه و خوشه بندی بر مبنای نمودار ، برای مشکلات خوشه بندی توسعه می دهد که اثرکلی خوشه طیفی سنگین (WSCE) نام دارد. بر اساس این چارچوب، یک نسخه جدید از خوشه بندی طیفی، که خوشه بندی طیفی دو هسته ای نام دارد ، برای اخذ نمودار بر اساس نتایج منحصر به فرد خوشه بندی استفاده می شود. علاوه بر این، با استفاده از خاصیت ماژولار و پیمانه ، که یک معیار معروف در تشخیص جامعه است، در ارائه نمودار تبدیل نتایج خوشه بندی منحصر به فرد، رویکرد ما یک برآورد تنوع موثر را برای نتایج خوشه بندی منحصر به فرد فراهم می کند. علاوه بر این، این مقاله یک روش جدید را برای ترکیب نتایج خوشه بندی فردی بدون روش آستانه معرفی می کند. مطالعه تجربی بر روی مجموعه داده های متنوع نشان می دهد که روش پیشنهادی دارای کارایی بیشتری نسبت به روش های مبتنی بر هنر است.

بدون دیدگاه