Bulanık C-ortalamalar, olabilirlikli C-ortalamalar ve karma kümeleme algoritmalarının etkinliklerinin karşılaştırılması
Comparison of clustering performances of fuzzy C-means, possibilistic C-means and some fuzzy and possibilistic hybrid algorithms
- Tez No: 460982
- Danışmanlar: PROF. DR. ZEYNEL CEBECİ
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 430
Özet
Bu çalışmada olasılıklı ve olabilirlikli yumuşak bölümleyici kümeleme algoritmalarından Bulanık C-ortalamalar (BCO), Olabilirlikli C-ortamalar (OCO), bunların hibritleri olarak Bulanık Olabilirlikli C-Ortalamalar (BOCO), Olabilirlikli Bulanık C-ortalamalar (OBCO) ile İtmeli Olabilirlikli C-Ortalamalar (iOCO) ve Yönetimsiz Olabilirlikli Bulanık Kümeleme (UOBCO) algoritmalarının kümeleme başarımları karşılaştırılmıştır. Algoritma başarımlarını test etmek için kare, elips, daire ve konkav şekilli gürültülü ve gürültüsüz 8 adet sentetik veri seti ve 4 gerçek veri seti kullanılmıştır. Kümeleme geçerlilik indeksleri olarak Bölümleme Entropisi (PE), Bölümleme Katsayısı (PC), Değiştirilmiş Bölümleme Katsayısı (MPC), Xie-Beni (XB), Kwon, Tang-Sun (TS) ve Bulanık siluet indeksleri (FS) kullanılmştır. Yapılan analizlere göre UOBCO algoritması daha düşük işlem zamanında geçerliliği yüksek kümeleme sonuçları ürettiğinden bulanık ve gürültülü büyük veri setlerinde kümeleme analizi için önerilmiştir.
Özet (Çeviri)
İn this study, we comapred the performance of Fuzzy C-Means (FCM) and Possibilistic C-Means (PCM) and Possibilistic C-Means with Repulsion (PCMR), and their hybrids such as Fuzzy Possibilistic C-Means (FPCM), Possibilistic Fuzzy C-Means (PFCM), Possibilistic C-Means with Repulsion (PCMR) and Unsupervised Possibilistic Fuzzy C-Means (UPFCM). Four real data sets and eight synthetic data sets consists of various square, ellipse, circle and concave shaped clusters with some noises were used for testing the performance of the algorithms. Partition Entropy (PE), Partition Coefficent (PC), Modified Partition Coefficent (MPC), Xie-Beni (XB), Kwon, Tang-Sun (TS) and Fuzzy Silhouette (FS) were used as clustering validity indices for finding the optimal numbers of clusters in the analyzed data sets. According to the obtained results, UPFCM is proposed for partitioning of fuzzy and noisy large data sets because of its computational efficieny and success to find the optimal clustering results.
Benzer Tezler
- Bulanık C- ortalamalar ve EM algoritması kullanarak bulanık kümeleme analizi
Fuzzy Culustering analysis using Fuzzy K-Means and EM algorithm
MOHAMMED I. S. SOBOH
Doktora
Türkçe
2022
İstatistikEskişehir Osmangazi Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. ZEKİ YILDIZ
- Bulanık kümelemeye dayalı parametre tahmini
Parametres estimation based on fuzzt clustering
ERSEGÜL GÖKTÜRK ŞAHİN
Yüksek Lisans
Türkçe
2014
İstatistikKaradeniz Teknik Üniversitesiİstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. TÜRKAN ERBAY DALKILIÇ
- Bulanık C-ortalamalar kümeleme algoritması kullanllarak araç tanıma
Vehicle detection using fuzzy C-means clustering algorithm
NOOSHIN NEMATI
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiVan Yüzüncü Yıl ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RIDVAN SARAÇOĞLU
- Bulanık c-ortalamalar kümeleme analizi ve sağlık alanında uygulaması
Fuzzy c-means clustering method and its application in medical field
SURİYE ÖZGÜR
Yüksek Lisans
Türkçe
2017
BiyoistatistikEge ÜniversitesiBiyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
PROF. DR. MEHMET NURULLAH ORMAN
- Bulanık c-ortalamalar yöntemi ile demerit kontrol şeması tasarımı ve tekstil sektöründe uygulama
Design of demerit control scheme by fuzzy c-means method and an application in textile sector
HÜLYA YİNELEK
Yüksek Lisans
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA UĞURLU