این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۶، شماره ۱، صفحات ۲-۳۷
عنوان فارسی بررسی مشکلات الگوریتم خوشه بندی DBSCAN و مروری بر بهبودهای ارائه‌شده برای آن
چکیده فارسی مقاله چکیده: خوشه بندی یک از تکنیک های مهم کشف دانش در پایگاه داده است. الگوریتم های خوشه بندی مبتنی بر چگالی یکی از روش های اصلی برای خوشه بندی در داده کاوی هستند. عدم محدودیت به شکل خوشه ها، ساده و قابل‌فهم بودن ازجمله مزایای این الگوریتم ها است. DBSCAN الگوریتم پایه روش های خوشه بندی مبتنی بر چگالی است. این الگوریتم قابلیت کشف خوشه های با اندازه و اشکال متفاوت را از حجم زیادی از داده ها دارد و در مقابل نویز نیز مقاوم است. علی رغم وجود این مزایا، این الگوریتم دارای مشکلاتی نظیر: سخت بودن تعیین مقدار دقیق پارامترهای ورودی، عدم‌تشخیص خوشه های با چگالی متفاوت و عدم‌تشخیص صحیح خوشه ها در هنگام نزدیک بودن خوشه ها به هم، نیز است. از سال 1996 که DBSCAN ارائه شده است، تا به امروز الگوریتم های بسیار زیادی در جهت بهبود DBSCAN ارائه‌شده‌اند. در این مقاله ابتدا، مشکلات الگوریتم DBSCAN بررسی می شوند. سپس به مرور و بررسی الگوریتم هایی که در جهت بهبود مشکلات الگوریتم DBSCAN ارائه‌شده‌اند، می پردازیم تا‌ با نقاط ضعف و قوت این الگوریتم ها و میزان موفقیت این الگوریتم ها در بهبود الگوریتم DBSCAN آشنا شویم. همچنین، با توجه به مطالعات انجام‌شده، ما اقدام به پیاده سازی برخی از این الگوریتم ها نموده ایم و آن ها را بر روی مجموعه داده های استاندارد، بر اساس معیارهای ارزیابی خوشه بندی تست کرده ایم تا بهتر بتوانیم در مورد این الگوریتم ها قضاوت کنیم.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A study on DBSCAN Clustering algorithm issues and a survey on its improvements
چکیده انگلیسی مقاله Clustering is an important knowledge discovery technique in the database. Density-based clustering algorithms are one of the main methods for clustering in data mining. These algorithms have some special features including being independent from the shape of the clusters, highly understandable and ease of use. DBSCAN is a base algorithm for density-based clustering algorithms. DBSCAN is able to detect clusters with different sizes and shapes in huge amounts of data and is also resistant to noise. Despite its advantages, this algorithm has its own drawbacks such as the difficulty in determining appropriate values for input parameters, inability to detect clusters with different density and inability to detect appropriate clusters when they are too close. Since 1996 that DBSCAN has been introduced, many different algorithms have been proposed as improvements of DBSCAN. In this paper, firstly the drawbacks of DBSCAN algorithm are discussed. Secondly, we review and discuss DBSCAN improvement algorithms in order to know the pros and cons of each algorithm and their success in improving DBSCAN algorithm. We also implemented some of these algorithms according to our studies and tested them according to the clustering evaluation criteria on standard data sets, so that we would to be able to judge the algorithms better.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی زاده ده بالایی | Ali Zadedehbalaei
Amirkabir University of Technology
دانشگاه صنعتی امیرکبیر

علیرضا باقری | Alireza Bagheri
Amirkabir University of Technology
دانشگاه صنعتی امیرکبیر

حامد افشار | Hamed Afshar
Amirkabir University of Technology
دانشگاه صنعتی امیرکبیر

نشانی اینترنتی http://scj.kashanu.ac.ir/browse.php?a_code=A-11-240-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1052/article-1052-584366.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده گزارش مورد
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات