Abstract
Clustering algorithms are an integral part of both computational intelligence and pattern recognition. It is unsupervised methods for classifying data into subgroups with similarity based inter cluster and intra cluster. In fuzzy clustering algorithms, mainly used algorithm is Fuzzy c-means (FCM) algorithm. This FCM algorithm is efficient only for spherical data when the input of the data structure is not spherical or complex this method is unsuccessful. For this, modification of the FCM is done by the labeling of a pixel to be partial by the labels in its immediate neighborhood and this modification is called BCFCM (Bias-Corrected FCM). Since it is computationally time taking and lacks enough robustness to noise for that kernel versions of FCM with spatial constraints, such as KFCM, were proposed to solve the drawbacks of BCFCM. In this paper, a novel kernel-based fuzzy C-means clustering algorithm (KFCM) is proposed for clustering. It is recognized by replacing the kernel-induced distance metric over the original Euclidean distance, and the corresponding algorithms are called kernel fuzzy c-means (KFCM) algorithm. The experimental results shows that proposed clustering technique provides better accuracy with less error rate than the BCFCM algorithm
چکیده
الگوریتم های خوشه بندی، یک بخش جدایی ناپذیر از تشخیص الگو و هوش محاسباتی هستند. این روش بدون نظارت برای طبقه بندی داده در زیرگروه ها با شباهت براساس درون خوشه ای و بین خوشه ای هستند. در الگوریتم های خوشه بندی فازی، عمدتاً الگوریتم مورداستفاده، الگوریتم c-mean (FCM) فازی است. این الگوریتم FCM تنها برای داده های کروی در هنگامی که ورودی ساختار داده، غیرکروی یا پیچیده است، کارآمد است، این روش ناموفق است. برای این کار، اصلاح FCM توسط برچسب گذاری یک پیکسل به قسمتی با برچسب زدن در مجاورت فوری آن انجام شده است و این اصلاح (تغییر) BCFCM نامیده شده است. از آن جا که آن زمان محاسباتی است و فاقد مقاومت کافی برای نویز برای آن نسخه های هسته ی FCM با محدودیت های مکانی، مانند KFCM است، برای حل اشکالات BCFCM ارائه شده است. در این مقاله، یک الگوریتم خوشه بندی c-mean فازی مبتنی بر هسته جدید (KFCM) برای خوشه بندی ارائه شده است. آن با جایگزینی متریک فاصله استنتاج هسته بر روی فاصله ی اقلیدسی اصلی شناسایی شده است و الگوریتم های مربوطه، الگوریتم c-mean فازی هسته (KFCM) هستند. نتایج آزمایشات نشان می دهند که تکنیک خوشه بندی ارائه شده ، دقت بهتری با نرخ خطای کمتر از الگوریتم BCFCM ارائه می کند.
1-مقدمه
روش خوشه بندی، یک فرایند است که در آن یک مجموعه داده یا پیکسل ها توسط خوشه ها جایگزین می شوند، پیکسل ها ممکن است به دلیل رنگ و بافت مشابه، متعلق به یکدیگر باشند. درمیان روش های خوشه بندی، یکی از مشهورترین روش ها برای خوشه بندی، خوشه بندی فازی است که می تواند اطلاعات را نسبت به خوشه بندی سخت در برخی موارد، حفظ کند. C-meanهای فازی (FCM)، یکی از روش های خوشه بندی فازی هستند. اگرچه این c-meanفازی به خوبی روش خوشه بندی را پذیرفته است، آن برای خوشه کروی بزرگ ناموفق است. زیرا FCM تنها از هنجار مربع برای طبقه بندی شباهت بین نقاط داده استفاده می کند، آن می تواند تنها در خوشه بندی خوشه های «کروی» موفق باشد. اما بسیاری از الگوریتم های خوشه بندی می توانند حاصل FCM برای خوشه بندی مجموعه داده ی کلی تر باشند. این الگوریتم خوشه بندی بدست آمده می تواند با تعویض هنجار مربع در تابع هدف FCM با سایر اقدامات (متریک) شباهت، تشکیل شود...