لیست کارهای خوشه بندی مشتریان سخت و فازی

فائز و همکاران (1389) در پژوهش خود ضمن ارائه پارامتر جدید درجه توان فاصـله اقلیدسـی (p بـرای یـافتن تـابع فاصله بهینه)، به معرفی یک معیار جدید پرداختند کـه بـا اسـتفاده از آن مقـادیر ثابـت موجـود در الگوریتم FCM که عبارت اند از: m,p,c را  تعیین  نموده اند و در حین معرفی این معیـار، کـاربرد آن را در خوشه بندی داده های IRIS نشان داده اند و همچنین به مقایسه کارآیی این معیار بـا روش آنتروپـی بیشـینه پرداخته­اند.

نوری و همکاران (1389) در پژوهشی با عنوان پیش پردازش داده های ورودی الگوریتم های دسته­بندی با ترکیب خوشه بندی فازی با استفاده از ترکیب k-means و خوشه بندی فازی نوع اول (FCM)، به ایجاد مراکز اولیه برای الگوریتم خوشه بندی فازی نوع دوم تعمیم یافته پرداخته تا با تعداد تکرار کمتری بتواند به حداکثر دقت دست پیدا کند که نتیجه ی آن یک الگوریتم خوشه بندی سریع و با دقت بالا بود. این الگودریتم با نام اختصاری KFGT2FCM نامگذاری شد. خروجی الگوریتم پیشنهادی، خوشه هایی را مشخص کرد که هر خوشه بسته به چگونگی توزیع به یک الگوریتم دسته بندی مناسب داده شد. در نتیجه کارایی روش دسته بندی بهبود یافت.

زارع نژاد و پیوندی (1391) به بررسی خوشه­بندي تصاویر پوشاک با استفاده از پردازش تصوير و K-means الگوريتم پرداختند وانواع مختلف    پوشاک را براساس مقدار شباهت آنها ازهم جداکرده اند. نتایج نشان می‌دهد، این سامانه ازکارایی ودقت زیاد،67 درصد، برخورداراست و می‌توانددرخوشه‌بندی انواع مختلف پوشاک مفیدواقع شود.

Wagstaff et al (2001) به بیان این مسئله پرداخته­اند که در خوشه بندی های کلاسیک از اطلاعات پیش زمینه ای گروه داده ها استفاده نمی کنند، حتی اگر این اطلاعات وجود داشته باشد. آن ها بیان می دارند که چگونه می توان از الگوریتم kmeans  در دسته بندی این نوع داده ها استفاده کرده و از این اطلاعات پیش زمینه ای مفید استفاده کرد.

در پژوهش انجام گرفته شده در سال 2009 توسط  Krantz  و همکارانش با استفاده از روش خوشه بندی و الگوریتم kمیانگین به  تحلیل بازدیدکنندگان موزه پرداختند تا بتوانند دید جدیدی از رفتار بازدیدکنندگان ارئه کرده و ایده های جدیدی برای جذب افراد بیشتر به موزه ایجاد نماید.

 Datta و همکارانش در سال 2008 در پژوهش خود به آزمایش الگوریتم Kمیانگین در یک محیط شبیه سازی شده با بیش از 1000گره در داده های ترکیبی پرداخته و آن را در محیط ایستا و پویا امتحان کردند. نتیجه نشان داد که این الگوریتم در هر دو محیط دارای دقت بالایی است.

یقینی و همکاران (1388) به الگوریتم های خوشه بندی می پردازند. دراين مقاله پس از مرور اجمالي مفاهيم پايه اي خوشه بندي فازي شامل مبحث خوشه بندي نظريه مجموعه هاي فازي و نهايتا تعاريف پايه اي خوشه بندي فازي به معرفي الگوريتم هاي اصلي و سپس الگوريتم هاي رايج كه صورتهاي تغيير يافته الگوريتم هاي اصلي هستند پرداخته شده و در بخش نهايي مروري اجمالي بر مقالات 10 سال اخير 2000 الي 2009 ارائه شده  است. هدف ازا ين تحقيق ارائه يك دسته بندي براي الگوريتم هاي معرفي شده در زمينه خوشه بندي فازي است.

نصیری و مینایی بیدگلی (1389)  از الگوريتم خوشه بندي k-means فازي تراكمي  در تعیین تعداد خوشه های واقعی استفاده کرده اند. دراين مقاله آن ها روشي را براي داده هاي عددي ارائه می دهند كه با استفاده از آن بتوان تعدادخوشه ها را مستقيما از روي الگوريتم خوشه بندي k-means فازي تراكمي بدست آورد. اين الگوريتم با افزودن يك جمله ي پنالتي به الگوريتم k-means فازي استاندارد بدست مي آيد. الگوريتم جديد نتايج خوشه بندي پايدارتري با داده هاي مختلف و مراكز خوشه ي مختلف توليد مي كند نتايج آزمايش برروي مجموعه داده ي تصنعي و پايگاه داده glass,WINE موثر بودن الگوريتم جديد در توليدا نتايج خوشه بندي پايدار و مشخص كردن تعداد خوشه هاي صحيح را نشان ميدهد.

مقصودی و همکاران (1388) در پژوهش خود به ارائه مدلي جهت بهبود الگوريتم خوشه بندي K-Means بر پايه الگوريتم هاي ژنتيك می پردازند. خوشه بندي داده ها به كلاس ها و يا دسته هاي متناسب يكي از مباحث مهم و مطرح در تشخيص الگو مي باشد آنچه كه در خوشهبندي حائز اهميت است انجام اين كار به گونه اي است كه داده هايي كه درست كلاس بندي نشده اند به حداقل برسند و يا به عبارت ديگر در هر كلاس داده هايي قرار بگيرند كه حداكثر نزديكي و مشابهت را به يكديگر داشته باشند. در اين مقاله، ابتدا يكي از روش هاي پايه در خوشه بندي به نامK-Means Clustering شرح داده شده است و سپس به كمك الگوريتم هاي ژنتيك، مدل پيشنهادي جديدي كه آن را GA-Clustering نامگذاري كرده ايم ، براي بهبود روش K-Means معرفي گرديده است. در پايان، روش مزبور بر روي مجموعه­اي از داده هاي شناخته شده، تست شده است. نتايج نشان مي دهد روش پيشنهادي به ميزان قابل توجهي داده ها را بهتر از الگوريتم سنتي خوشه بنديK-Means دسته بندي مي كند.

حسینی زاده و سلاجقه (2012) در پژوهشی به بررسی و مقایسه س الگوریتم های خوشه بندی تفکیکی می پردازند. آن ها در این پژوهش معتقدند که خوشه بندی به دنبال کشف ساختار در داده ها از طریق بررسی شباهت ها یا تفاوت های میان آن هاست. همچنین می نویسند که الگوریتم های خوشه بندی را می توان به چند دسته کلی تقسیم کرد که از جمله می توان الگوریتم های خوشه بندی تفکیکی، الگوریتم های سلسله مراتبی و الکوریتم های مبتنی بر چگالی را نام برد. در این مقاله آن ها به بررسی چند نمونه از الگوریتم های نوع تفکیکی پرداخته و آن ها را از نظر چند پارامتر مهم بررسی و به مقابله ی آن ها می پردازند.

بهشتی پور و همکاران (1392) در مقاله ی خود به الگوريتم خوشه بندي اسناد بر پايه الگوريتم K-MEANS بهبود يافته می پردازند. در اين مقاله به مسئله خوشه بندي اسناد پرداخته شده است. الگوريتم خوشه بندي به كاررفته بر اساس الگوريتم K-Means است. اعمال تغييراتي در اين الگوريتم از جمله تعيين تعداد تكرار مرحله پالايش برحسب يك مقدار آستانه، اعمال تكنيك N-Gram و تكنيك هاي ديگر باعث افزايش درصد موفقيت الگوريتم، بيش از 12 درصد در مجموعه فارسي آزمايش شده و حدود 25 درصد در مجموعه انگليسي آزمايش شده، شده است.

گلی چناری و صنیعی آبادی (1391) در پژوهی به مرور بر روش‌هاي تركيبي الگوريتم خوشه بندي k-means و الگوريتم هاي فرا مكاشفه اي جهت رويارويي با معايب الگوريتم k-means می پردازند. آن ها معتقدند که يكي از مهم‌ترين الگوريتم هاي خوشه بندي كه به طور گسترده به كار مي‌رود الگوريتم k-means مي‌باشد. الگوريتم k-means كاربردهاي بسياري در زمينه‌هاي مختلف علمي و صنعتي دارد. با وجود سادگي پياده‌سازي آسان اين الگوريتم چالش‌هايي نيز دارد كه اين چالش‌ها در سال‌هاي اخير با به‌كارگيري k-means به‌صورت تركيبي با ساير الگوريتمهاي فرا مكاشفه اي برطرف شده است. در اين مقاله يك دسته بندي از روش‌هاي فرا مكاشفه اي جديدي كه به منظور برطرف سازي معايب الگوريتم k-means به طور تركيبي به كار رفته‌اند صورت گرفته است.

شادرو و همکاران (1386) در پژوهشی تحت عنوان ” تقطيع تصاوير با استفاده از تخمين مولتي فركتال ، آنتروپي و خوشه بندي فازي” معتقد است که روش هاي گوناگوني براي استخراج ويژگي بافت در يك عكس وجود دارد ، از جمله آنها مي توان به بعد مولتي فركتال اشاره نمود.در اين مقاله ، با استفاده از روش شمارش جعبه تفاضلي (DBC) به استخراج بعد مولتي فركتال عكس پرداخته ،سپس با استفاده از روش هاي خوشه بندي FCM و KMeans تقطيع بافت صورت مي گيرد و در نهايت مقايسه اي بين اين دو روش خوشه بندي انجام مي شود ونشان داده شده است كه FCM نتيجه بهتري را در بر دارد ودر اين مقاله علاوه بر مقايسه روش هاي خوشه بندي به منظور بهبود تقطيع بافت از ويژگي آنتروپي و FCM استفاده نموده ،سپس اشتراك نتيجه FCM با ويژگي DBC و نتيجه FCM با ويژگي آنتروپي به عنوان نتيجه نهايي در نظر گرفته مي شودكه خطاي حاصل از تقطيع بافت را كاهش مي دهد.

منصفی و همکاران (2008) د ر پژوهشی به سیستم تشخیص نفوذ مبتنی بر پروسس فازی از طریق تکنیک داده کاوی می پردازند. در این مقاله برای تشخیص نفوذ از ردگیری دنباله فراخوانی های سیستمی استفاده شده است و هر پروسس به صورت یک جعبه سیاه در نظر گرفته می شود و فقط فراخوانی های سیستمی آن مورد بررسی قرار می گیرد. از این طریق می توان رفتارهای نرمال و غیر نرمال کاربران را برروی پروسس های در حال اجرای سیستم عامل شناسایی کرد. برای تجزیه و تحلیل فراخوانی های سیستمی از روش داده کاوی فازی استفاده شده است. در این طرح, هدف کاهش اندازه پایگاه داده و زمان مورد نیاز برای تشخیص نفوذ و نرخ هشدارهای نادرست می باشد.

اکبرزاده توتونچی و همکاران (2010) پژوهشی انجام دادند تحت عنوان ” خوشه بندی داده با استفاده از ترکیب K-harmonic means و PSO”. آن ها معتقدند که خوشه بندی داده یکی از رایج ترین تکنیک های داده کاوی است. الگوریتمK-MEANS یکی از مشهورترین الگوریتم های خوشه بندی داده می باشد که به دلیل پیاده سازی آسان و سرعت عملکرد، محبوبیت زیادی یافته است اما مشکلاتی از قبیلحساس بودن به مقدار اولیه و گرفتار شدن در دام بهینه محلی از قدرت عملکرد آن می کاهد. وش خوشه بندی K-harmonic means مسئله حساس بودن به مقدار اولیه را پوشش می دهد اما مشکل گرفتار شدن در دام بهینه محلی همچنان این الگوریتم را تهدید می کند. الگوریتم Particle Swarm Optimization یک تکنیک بهینه سازی سراسری احتمالی است که راه حل مناسبی برای غلبه بر مشکل ذکر شده می باشد. در این مقاله الگوریتم ترکیبی PSOKHM سعی می کند که با بهره گیری از مزایای هر دو الگوریتم، علاوه بر فرار از گرفتار شدن در دام بهینه محلی در الگوریتم KHM بر سرعت پایین همگرایی الگوریتم PSO نیز غلبه کند. روش پیشنهادی در این مقاله، ترکیب PSO با الگوریتم تکاملی ژنتیک در PSOKHM می باشد. GSOKHM که در جهت کارکرد مناسب تر الگوریتم PSO پیشنهاد شده است. برای انجام آزمایش از چهار مجموعه داده واقعی استفاده شده است که نتایج به دست آمده حاکی از عملکرد بهتر این روش در امر خوشه بندی نسبت به الگوریتم ترکیبی PSOKHM می باشد.

صدوقی یزدی و همکاران (2010) پژوهشی انجام دادند تحت عنوان ” ترکیب بردارهای ویژه در حوزه KPCA به منظور خوشه بندی داده ها”. در این پژوهش آن ها می نویسند که خوشه بندی به عنوان یکی از تکنیکهای مهم در شناسایی الگو، پردازش تصویر و داده کاوی شناخته می شود. در فضاهایی با ابعاد بالا به علت وجود وابستگیهای غیر خطی بین ویژگیها، الگوریتمهای خوشه بندی معمولا با شکست مواجه می شوند. برای مقابله با این مشکل عموما با انتقال فضا به حوزه ویژگی- با ابعاد بالا سعی در به دست آوردن ویژگیهایی مناسب تر برای توصیف داده می شود. در این مقاله سعی شده است تا با انتقال داده ها به فضای Kernel PCA به توصیف مناسب تری از داده ها دست یابیم و از خصوصیات این فضا برای خوشه بندی بهتر استفاده نماییم. برای این منظور، پس از استخراج ویژگیهای جدید در فضای متعامد KPCA، به بررسی آنها پرداخته و ویژگیهای مناسب برای خوشه بندی را با انتساب وزن مناسب به آنها، انتخاب و ترکیب می نماییم و در انتها از روشی مبتنی بر رای گیری وزندار برای خوشه بندی داده ها استفاده می نماییم. نتایج آزمایشها بهبود مناسبی را در مقایسه با الگوریتمهای خوشه بندی فازیC-میانگین و K-میانگین نشان میدهد.

روحانی و همکاران (2010) در پژوهش خود به بهبود شبکه خود سازمانده کوهونن با هدف خوشه بندی داده های فازی می پردازند.  شبکه خود سازمانده کوهونن یک شبکه عصبی مهم برای خوشه بندی و کاهش بعد می باشد. در صورتیکه داده های ورودی دارای ابهام و عدم قطعیت باشند، شبکه کوهونن نمیتواند عملکرد خوبی داشته باشد. به منظور مقابله با این مشکل، الگوریتمهای متعددی تا کنون پیشنهاد شده است. اغلب آنها فاکتورهای فازی را با شبکه کوهونن ترکیب میکنند. در این الگوریتمها داده های ورودی قطعی میباشند و آنها امکان خوشه بندی فازی را فراهم میسازند. در این مقاله الگوریتم شبکه کوهونن توسعه یافته ای را پیشنهاد داده ایم که داده های فازی را به عنوان ورودی بپذیرد. در این شبکه نرون ها نیز وزنهای فازی دارند. برای محاسبه شباهت از معیارهای مختلف فاصله دو عدد فازی استفاده شده است از جمله فاصله شبکه کوهونن پیشنهادی را میتوان برای کاهش بعد داده های فازی نیز استفاده کرد .Yang و Hausdorff, Hathway که در کارهای قبلی به آن توجهی نشده بود.