MatlabTuts

خوشه بندی(Clustering)

خوشه بندی یک روش بدون نظارت برای دسته بندی داده، اشیا و … در یادگیری ماشین است. روش های زیادی برای خوشه بندی وجود دارد. الگوریتم Kmeans یکی از رایج ترین روش ها است که در آن ابتدا به تعداد k تا مرکز خوشه بصورت تصادفی در دامنه نمونه های مجموعه داده انتخاب شده و نمونه ها براساس یک معیار فاصله(اقلیدسی) به نزدیکترین مرکز خوشه اختصاص داده می شود. بعد از این مرحله که همه نمونه ها برچسب خوردند و لیبل خوشه هایشان مشخص شد مرکز خوشه با استفاده از روش میانگین گیری بروزرسانی می گردد. تابع هدف در الگوریتم Kmeans، مینیمم کردن مجموع فاصله ها ی نمونه های هریک از خوشه ها از مرکزشان است.

الگوریتم FCM مثل Kmeans است با این تفاوت که در این روش یک تابع عضویت برای نمونه ها در نظر گرفته شده است و میزان عضویت هر یک از نمونه ها را به خوشه ها نشان می دهد. به دنبال آن، همین امر باعث شده است تابع هدف تعریف شده در این روش هم متفاوت باشد. برای جزئیات بیشتر می توانید مقاله پایه مربوطه را که در پوشه refs پروژه گنجانیده شده مطالعه کنید.

الگوریتم بهینه سازی ازدحام ذرات(PSO)

در دنیای واقعی و در ریاضیات مسائل زیادی هستند که باید بهینه بشوند. انواع الگوریتم های بهینه سازی وجود دارد که بین آنها الگوریتم های فراابتکاری به دلیل کارامد بود در حل مسائل np-hard یکی از انواع محبوب روش ها محسوب می شود. تاکنون در ادبیات، الگوریتم های فراابتکاری گسترده ارائه شده و برای حل مسائل بهینه سازی به کار گرفته شده است. الگوریتم بهینه سازی ازدحام ذرات، با توجه به اینکه پیاده سازی آسانی دارد و در عین حال بنا به نتایج و گزارشات موجود در مقالات قدرتمند بوده، در بین محققین محبوب می باشد.

الگوریتم FCM-PSO

در این پروژه از یک الگوریتم ترکیبی مبتنی بر الگوریتم PSO و FCM برای خوشه بندی استفاده شده است. کدنویسی این پروژه در نرم افزار متلب صورت گرفته است و بر روی مجموعه داده هایی تست شده است. این پروژه براساس روش پیشنهادی مقاله زیر

A population based hybrid FCM-PSO algorithm for clustering analysis and
segmentation of brain image

پیاده شده است. در ادامه، کد متلب(Matlab Code) الگوریتم FCM-PSO برای خوشه بندی پیوست شده است:

همچنین، جزئیات و توضیحات کد را می توانید بصورت فیلم از لینک زیر مشاهده کنید.