به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

clustering method

در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه clustering method در مقالات مجلات علمی
  • Azam Amin, Mohsen Jahanshahi *, Mohammadreza Meybodi
    In Software Defined Network (SDN), controller plane is separated from the data plane simplifying management. In these networks, data forwarding cannot be conducted just one controller. Therefore, it is needed to use multiple controllers in control plane. Since, switch-controller propagation delays and inter-controller latencies affect the performance, the problem of determining appropriate number of controllers as well as their suitable locations are two main challenges, which are known as NP-Hard. In this paper, a new clustering method based on K-means, K-Harmonics means and firefly algorithm named CPP-KKF is proposed for controller placement in SDN. Result obtained by CPP- KKF algorithm is benefitted by the advantages of all techniques. The proposed algorithm is evaluated on four topologies of TopologyZoo with different scales, that include Aarnet, Colt, Cognet, and DFN and the conducted simulations demonstrate that the proposed solution outperforms K-means, K-means++, Firefly and GSO algorithms in terms of aforementioned performance issues.
    Keywords: Software Defined Network, Controller Placement Problem, K-harmonics Mean, K-means, Firefly Algorithm, Clustering Method
  • گلناز جوزانی کهن*، علیرضا سیفان

    تجزیه و تحلیل خوشه ای داده های پتروفیزیکی به عنوان روشی خودکار و سریع برای تعیین گروه های سنگی موجود در مخازن ماسه سنگی به کار می رود و از این رو در مطالعات تعیین کیفیت مخازن به عنوان یک روش کاربردی مورد استفاده قرار می گیرد. انتخاب نگار های مناسب با توجه به نوع محیط مورد مطالعه، اهمیت ویژه ای در فرآیند خوشه بندی، تعیین سنگ شناسی و نتیجه گیری در مورد کیفیت مخزن می یابد. در این پژوهش به منظور شناسایی و تعیین موثرترین نگار ها در روش خوشه بندی دو مرحله ای و میانگین k، با استفاده از آنالیز حساسیت از میان کل نگار های رانده شده در یک مخزن آواری در شمال شرق کشور یعنی نگارهای GR, LLD, LLS, MSFL, DT, URAN, THOR, POTA, CALI, NPHI, RHOB پنج نگار GR, LLD, LLS, NPHI, RHOB را به عنوان موثرترین نگارها در خوشه بندی دو مرحله ای در این سازند معرفی نمود. نگارهای حاصل از کاربرد روش دو مرحله ای، همخوانی قابل قبولی با خروجی های روش میانگین k نشان داد. هر دو روش خوشه بندی، تطابق قابل قبولی با روش های تعیین سنگ شناسی با استفاده از تلفیق نگارهای پتروفیزیکی و کانی شناسی به روش پراش پرتوی ایکس (XRD) نشان دادند. براساس نتایج خوشه بندی، سازند ماسه سنگی مورد مطالعه به ضخامت 222 متر به سه گروه سنگ شناسی شامل ماسه کربناتی-انیدریتی، ماسه شیلی و ماسه تمیز به ترتیب با ضخامت های 4/44، 26/73 و 34/104 متر تشخیص داده شد که در این میان کیفیت مخزنی ماسه تمیز با توجه به میانگین تخلخل در این بخش از سایر زیربخش ها مناسب تر است.

    کلید واژگان: داده های چاه پیمایی، خوشه بندی، سنگ شناسی
    Golnaz Jozanikohan *, Alireza Seyfan

    The clustering analysis is a method for data classification based on the similarity, so that the most similar data are placed in the same cluster. The cluster analysis of petrophysical data is able to determine the quality of sandstone reservoir based on the different existing lithologies. Since the most sandstone reservoirs have different kinds of interbedded shales as well as different detrital and chemical minerals due to their sedimentation environment, they show a variety of lithologies and consequently different reservoir qualities. The determination of the most effective petrophysical logs based on the environment understudy has a significant effect on the clustering quality, lithology determination, and the reservoir quality evaluation. In this research, to determine the most effective logs in the two stage and k-means methods, the GR, LLD, LLS, MSFL, DT, URAN, THOR, POTA, CALI, NPHI, RHOB logs were chosen as the input in IBM SPSS, Statistic version 24. Based on the obtained results, the GR, LLD, LLS, NPHI, and RHOB logs are the most effective logs for two stage clustering method. This result was in agreement with the k-means method findings. Based on the clustering results, the understudy sandstone formation with a thickness of 222 meters were classified to three lithological groups of carbonate-anhydrite, shaly and clean sandstone with the thickness of 44.40, 73.26, 104.34 meters, respectively. The clean sandstone had the best quality with regards to the average porosity and permeability in compare to the other subsections.

    Keywords: Well logging Data, Clustering Method, Lithology
  • محمدتقی اعلمی، وحید نورانی، فرناز دانشور وثوقی*
    مدل سازی پارامترهای کیفی آب های زیرزمینی به عنوان یکی از منابع تامین آب شهری، کشاورزی و صنعتی بسیار حائز اهمیت است. همراه با توسعه استفاده از روش های نوین مدل سازی در سال های اخیر، استفاده از ابزارهای پیش پردازش زمانی و مکانی داده ها در بالا بردن دقت این روش ها اهمیت زیادی یافته است. در پژوهش حاضر از ابزارهای زمین آمار یا کوکریجینگ و نقشه های خود سازمانده به ترتیب به عنوان تخمین گر مکانی و خوشه بندی در ترکیب با مدل شبکه عصبی- فازی انفیس برای پیش بینی زمانی پارامترهای کیفی هدایت الکتریکی و مقدار کل جامدات محلول در آب زیرزمینی دشت اردبیل استفاده شد. همچنین در این مطالعه، اثر خوشه بندی مکانی در پیش بینی زمانی هدایت الکتریکی و مقدار کل جامدات محلول بررسی شد. نتایج نشان داد که خوشه بندی مکانی با انتخاب ورودی های موثر، روش مناسبی در جهت بهبود پیش بینی پارامترهای کیفی آب زیرزمینی با استفاده از مدل انفیس است.
    کلید واژگان: ابزارهای زمین آمار، شبکه عصبی، فازی، پارامترهای کیفی آب زیرزمینی، روش خوشه بندی، دشت اردبیل
    Mohammadtaghi Alami, Vahid Nourani, Farnaz Daneshvar Vousoughi*
    Groundwater is a major source of water supply for domestic, agricultural, and industrial uses; hence, its quality modeling is an important task in hydro-environmental studies. While many data-based models have been developed for this purpose, the performance of such data-based models can be drastically enhanced if they are based on temporal and spatial pre-processing. In this study, geostatistics tools (e.g., Co-Kriging), as spatial estimators, and self-organizing map (SOM), as a clustering technique, were employed in conjunction with Adaptive Neuro-Fuzzy Inference System (ANFIS) for the temporal forecasting of such quality parameters as electrical conductivity (EC) and total dissolved solids (TDS) of the groundwater in Ardabil Plain. Using the results thus obtained, the impact of spatial data clustering was also investigated on the same parameters. The results showed that, if propoer input data are selected, the proposed spatial clustering technique is capable of imporving groundwater quality forecasts made by ANFIS.
    Keywords: Geostatistics, Adaptive neuro, fuzzy inference system, Groundwater Quality Parameters, Clustering Method, Ardabil Plain
  • Samira Babalou, Mohammad Javad Kargar, Seyyed Hashem Davarpanah
    Ontology is the main infrastructure of the Semantic Web which provides facilities for integration, searching and sharing of information on the web. Development of ontologies as the basis of semantic web and their heterogeneities have led to the existence of ontology matching. By emerging large-scale ontologies in real domain, the ontology matching systems faced with some problem like memory consumption. Therefore, partitioning the ontology was proposed. In this paper, a new clustering method for the concepts within ontologies is proposed, which is called SeeCC. The proposed method is a seeding-based clustering method which reduces the complexity of comparison by using clusters’ seed. The SeeCC method facilitates the memory consuming problem and increases their accuracy in the large-scale matching problem as well. According to the evaluation of SeeCC's results with Falcon-AO and the proposed system by Algergawy accuracy of the ontology matching is easily observed. Furthermore, compared to OAEI (Ontology Alignment Evaluation Initiative), SeeCC has acceptable result with the top ten systems.
    Keywords: Ontology matching, Clustering method, Large, scale matching, Semantic graph
  • مجتبی وحدانی، منصور نجاتی جهرمی، صدیقه غفرانی
    این مقاله، روشی را برای کلاس بندی نوع مدولاسیون های دیجیتال از خانواده های ASK، PSK، FSK، بدون اطلاعات قبلی از سیگنال دریافتی پیشنهاد می دهد. این روش دارای دو گام است و «روش خوشه بندی» نام دارد. در گام اول خانواده مدولاسیون و در گام دوم مرتبه ی مدولاسیون مشخص می شود. با استفاده از روش خوشه بندی، حداقل پیش پردازش ها، موثرترین ویژگی های جداسازی و مناسب ترین جداسازها در مورد هر دسته استفاده گردیده و الگوریتم ژنتیک، برای بهبود عملکرد سیستم استفاده شده است. مزایای این روش، دقت شناسایی بالا، سادگی، شناسایی کور و تعداد زیادتر مدولاسیون های کاندید نسبت به سایر روش های مشابه هستند.
    کلید واژگان: کلاس بندی خودکار نوع مدولاسیون، روش خوشه بندی، ماشین بردار پشتیبان، الگوریتم ژنتیک
    Mr Mojtaba Vahdani, Dr Mansoor Nejati Jahromi, Dr Sedighe Ghofrani
    This article proposes a method to classify digital modulation type from ASK, PSK and FSK groups, without prior information of received signal. This method has two steps and is called "clustering method". In the first step, the modulation group, and in the second step, modulation order is determined. Using clustering method, the least pre-processing, the most effective separation characteristics and appropriate classifiers was applied to each group and genetic algorithm has been used to improve system performance. The advantages of this method are high accuracy of identification, simplicity, blind identification and more modulation candidates compared to other similar methods.
    Keywords: Automatic Modulation Classification, Clustering Method, Support Vector Machines, Genetic Algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال