fa انتخاب خوشه‌های اولیه به کمک الگوریتم‌های هوشمند برای مشارکت در خوشه‌بندی ترکیبی مخابرات Communication پژوهشي Research <p><span dir="RTL">به علت بدون ناظر بودن مسئله خوشه‌بندی انتخاب الگوریتمی خاص جهت خوشه‌بندی یک مجموعه ناشناس امری پر خطر و معمولا شکست خورده می‌باشد. به خاطر پیچیدگی مسئله و ضعف روش‌های خوشه‌بندی پایه، امروزه اکثر مطالعات به سمت روش‌های خوشه‌بندی ترکیبی هدایت شده است. پراکندگی در نتایج اولیه یکی از مهم‌ترین عواملی است که می‌تواند در کیفیت نتایج نهایی اثرگذار باشد. همچنین، کیفیت نتایج اولیه نیز عامل دیگری است که در کیفیت نتایج حاصل از ترکیب موثر است. هر دو عامل در تحقیقات اخیر خوشه‌بندی ترکیبی مورد توجه قرار گرفته‌اند. در اینجا یک چارچوب برای بهبود کارایی خوشه‌بندی پیشنهاد شده است که مبتنی بر استفاده از زیرمجموعه‌ای از خوشه‌های اولیه می‌باشند. انتخاب این زیرمجموعه نقش حیاتی در کارایی مجمع دارد. این انتخاب به کمک دو روش هوشمند انجام می&shy;گیرد. ایده‌های اصلی در روش‌های پیشنهادی برای انتخاب زیرمجموعه‌ای از خوشه‌ها، استفاده از خوشه‌های پایدار با الگوریتم&shy;های جستجوی هوشمند می‌باشند. برای ارزیابی خوشه‌ها، از معیار پایداری مبتنی بر اطلاعات متقابل استفاده شده است. در آخر نیز خوشه&shy;های انتخاب شده را به کمک چندین روش ترکیب نهایی با هم جمع می&shy;&shy;کنیم. نتایج تجربی روی چندین مجموعه داده استاندارد نشان می‌دهد که روش‌های پیشنهادی می‌توانند به طور موثری همچنین روش ترکیب کامل را بهبود دهند.</span></p> <p>Most of the recent studies have tried to create diversity in primary results and then applied a consensus function over all the obtained results to combine the weak partitions. In this paper a clustering ensemble method is proposed which is based on a subset of primary clusters. The main idea behind this method is using more stable clusters in the ensemble. The stability is applied as a goodness measure of the clusters. The clusters which satisfy a threshold of this measure are selected to participate in the ensemble. For combining the chosen clusters, a co-association based consensus function is applied. A new EAC based method which is called Extended Evidence Accumulation Clustering, EEAC, is proposed for constructing the Co-association Matrix from the subset of clusters. The proposed method is evaluated on five different UCI repository data sets. The empirical studies show the significant improvement of the proposed method in comparison with other ones.</p> خوشه‌بندی ترکیبی, ارزیابی خوشه, اطلاعات متقابل, زیرمجموعه‌ای از نتایج اولیه, الگوریتم ژنتیک, الگوریتم نورد شبیه‌سازی شده, خوشه‌بندی انباشت مدارک, ماتریس همبستگی. Clustering Ensemble, Cluster Stability, Mutual Information, Co-association Matrix. 163 184 http://jiaeee.com/browse.php?a_code=A-10-1-39&slc_lang=fa&sid=1 Mohamadjavad Hosseinpoor محمدجواد حسین پور 10031947532846001319 10031947532846001319 Yes Hamid Parvin حمید پروین 10031947532846001320 10031947532846001320 No