رویکرد جدید خوشه‌بندی پارتیشنی پیشنهادی اطلاعات را در قالب مراکز خوشه‌ای بهینه از نمونه‌های آموزشی استخراج می‌کند. مراکز خوشه استخراج شده سپس بر روی نمونه های آزمایشی اعتبار سنجی می شوند. Main.m فایلی است که باید اجرا شود. این مجموعه داده را بارگیری می کند و مراکز خوشه ای را با استفاده از مجموعه داده های آموزشی استخراج می کند. پس از مرحله آموزش، خوشه بندی بر روی مجموعه داده آزمایشی انجام می شود و نتایج نمایش داده می شود. Bat_Algorithm.m فایلی است که از Main.m برای استخراج مراکز خوشه بهینه از مجموعه داده های آموزشی با استفاده از Bat Algorithm فراخوانی شده است. فایل در مجموعه داده آموزشی با محدودیت های بالا و پایین از هر ویژگی به عنوان ورودی به الگوریتم استفاده می کند. فایل مرکز خوشه بهینه را به Main.m برمی گرداند در این تصویر، یک داده مصنوعی با میانگین و انحراف استاندارد از پیش تعریف شده تولید می شود. کاربران می توانند این پارامترها را تغییر دهند. اگر کاربران بخواهند روی مجموعه داده‌های خودشان آزمایش کنند، باید مجموعه داده را به بخش آموزشی و آزمایشی مربوطه تفکیک کرد. خطوط 20 تا 53 باید بر این اساس با تخصیص مجموعه داده مرتبط به متغیرهای xdata (مجموعه مجموعه داده کامل)، ftrain ( مجموعه داده های آموزشی) و ftest ( مجموعه داده های آزمایشی) در فایل Main.m اصلاح شوند. نتیجه خوشه بندی را می توان در خط فرمان از طریق ماتریس سردرگمی مشاهده کرد.
مشخصات این پایان نامه:
عنوان پایان نامه: ارائه روشی جدید در خوشه بندی اطلاعات با استفاده ازترکیب الگوریتم خفاش و Fuzzy c- means
موارد قابل استفاده از این پایان نامه: آموزش پروپوزال و پایان نامه نویسی – برای درس روش تحقیق و سمینار و کلیه امور پژوهشی مرتبط
شامل همه قسمت های یک پایان نامه استاندارد: فصل اول: طرح و کلیات پژوهش. / فصل دوم: خوشه بندی بر مبنای الگوریتم Fuzzy c-means / فصل سوم: بهینه سازی بر مبنای الگوریتم خفاش / فصل چهارم: الگوریتم پیشنهادی / فصل پنجم: نتیجه گیری و پیشنهاد.
منابع فارسی: دارد
منابع لاتین: دارد
نوع فایل: Word و قابل ویرایش
تعداد صفحه: 92 صفحه
کد فایل : 72