MỘT CẢI TIẾN PHÂN CỤM MỜ VỚI THAM SỐ MỜ CHO TỪNG CỤM DỮ LIỆU

Thông tin bài báo

Ngày nhận bài: 09/09/21                Ngày hoàn thiện: 29/11/21                Ngày đăng: 30/11/21

Các tác giả

1. Nguyễn Hồng Tân Email to author, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
2. Lê Khánh Dương, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
3. Trần Thị Ngân, Trường Đại học Thủy lợi

Tóm tắt


Phân cụm mờ được sử dụng nhiều trong thời gian gần đây để phân nhóm dữ liệu. Phân cụm mờ thường được nghiên cứu nhiều trong lĩnh vực phát hiện điểm nóng tội phạm, phân biệt mô trong ảnh y tế, dự đoán chất lượng phần mềm... Các nghiên cứu phân cụm mờ tập trung chủ yếu vào việc cải tiến hàm mục tiêu để tăng hiệu năng của quá trình phân cụm. Tuy nhiên để tăng hiệu năng của quá trình phân cụm, một yếu tố có ảnh hưởng lớn đó là tham số mờ. Khi đó, tham số mờ được sử dụng để phản ảnh mức độ mờ hóa. Do vậy, trong nghiên cứu này, nhóm nghiên cứu tập trung cải tiến từ thuật toán phân cụm mờ với tham số mờ cho từng cụm dữ liệu. Đóng góp chính của bài báo: i) Xây dựng một thuật toán cải tiến từ thuật toán phân cụm mờ; ii) Xây dựng hàm tính tham số mờ cho từng cụm dữ liệu; iii) Cài đặt, đánh giá thuật toán cái tiến so với các thuật toán cùng loại. Kết quả thực nghiệm của nghiên cứu cũng cho thấy thuật toán cải tiến cho hiệu năng tốt hơn so với thuật toán gốc ban đầu.

Từ khóa


Phân cụm mờ; Tham số mờ; Cụm dữ liệu; Hiệu năng; Độ đo đánh giá

Toàn văn:

PDF

Tài liệu tham khảo


[1] Bezdek and C. James, Pattern recognition with fuzzy objective function algorithms, Springer Science & Business Media, 2013.

[2] S. A. Curiskis, B. Drake, T. R. Osborn, and P. J. Kennedy, “An evaluation of document clustering and topic modelling in two online social networks: Twitter and Reddit,” Information Processing & Management, vol. 57.2, 2020, Art. no. 102034.

[4] W. Ding, M. Abdel-Basset, and H. Hawash, “RCTE: A Reliable and Consistent Temporal-ensembling Framework for Semi-supervised Segmentation of COVID-19 Lesions,” Information sciences, vol. 578, pp. 559-573, 2021.

[5] L. Cao, C. Wang, and J. Li, “Vehicle detection from highway satellite images via transfer learning,” Information sciences, vol. 366, pp. 177-187, 2016.

[6] H. T. Pham and H. S. Le,“Some novel hybrid forecast methods based on picture fuzzy clustering for weather nowcasting from satellite image sequences”, Applied Intelligence, vol 46.1, pp. 1-15, 2017.

[7] J. C. Bezdek, R. Ehrlich, and W. Full, “FCM: The fuzzy c‐mean clustering algorithm,” Comput. Geosci, vol. 10, pp. 191-203, 1984.

[8] E. Yasunori, H. Yukihiro, Y. Makito, and M. Sadaaki, “On semi-supervised fuzzy c-means clustering,” Fuzzy Systems, FUZZ-IEEE 2009. IEEE International Conference on, IEEE, 2009, pp. 1119-1124.

[9] X. Yin, T. Shu, and Q. Huang, “Semi-supervised fuzzy clustering with metric learning and entropy regularization,” Knowledge-Based Systems, vol. 35, pp. 304-311, 2012.

[10] H. Zhang and J. Lu, “Semi-supervised fuzzy clustering: A kernel-based approach,” Knowledge-Based Systems, vol. 22, no. 6, pp. 477-481, 2009.

[11] H. S. Le, “Generalized picture distance measure and applications to picture fuzzy clustering,” Applied Soft Computing, vol. 46(C), pp. 284-295, 2016.

[12] E. H. Ruspini, J. C. Bezdek, and J. M. Keller, “Fuzzy clustering: A historical perspective,” IEEE Computational Intelligence Magazine, vol. 14, no. 1, pp. 45-55, 2019.

[13] L. T. Ngo, D. S. Mai, and W. Pedrycz, “Semi-supervising Interval Type-2 Fuzzy C-Means clustering with spatial information for multi-spectral satellite image classification and changedetection,” Computers & geosciences, vol. 83, pp. 1-16, 2015.

[14] M. T. Tran, T. N. Tran, and H. S. Le, “A novel semi-supervised fuzzy clustering method based on interactive fuzzy satisficing for dental X-ray image segmentation,” Applied Intelligence, vol. 45, no. 2, pp. 402-428, 2016.

[15] T. D. Khang, N. D. Vuong, M. K. Tran, and M. Fowler, “Fuzzy C-Means Clustering Algorithm with Multiple Fuzzification Coefficients,” Algorithms, vol. 13, no. 7, p. 158, 2020.

[16] L. Vendramin, R. J. Campello, and E. R. Hruschka, “Relative clustering validity criteria: A comparative overview,” Statistical analysis and data mining: the ASA data science Journal, vol. 3-4, pp. 209-235, 2010.




DOI: https://doi.org/10.34238/tnu-jst.4970

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved