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

dbscan algorithm

در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه dbscan algorithm در مقالات مجلات علمی
  • رضا مولایی فرد، محمد مصلح

    سیستم های توصیه گر می توانند درخواست های آینده کاربر را پیش بینی و سپس لیستی از صفحات موردعلاقه کاربر را تولید کند. به عبارت دیگر سیستم های توصیه گر می توانند نمایه ایی دقیق از رفتار کاربران را به دست آورده و صفحه ایی پیش بینی شود که کاربر درحرکت بعدی آن را انتخاب خواهد کرد که این کار می تواند مشکل شروع سرد سیستم را حل و باعث کیفیت بخشیدن به جستجو شود. در این تحقیق به ارایه روش جدیدی به منظور بهبود سیستم های توصیه گر در زمینه وب پرداخته می شود که از الگوریتم خوشه بندی DBSCAN جهت خوشه بندی داده ها استفاده می شود که این الگوریتم امتیاز کارایی 99٪ را به دست آورد. سپس با استفاده از الگوریتم Page rank، صفحات موردعلاقه کاربر وزن دهی می شوند. سپس با استفاده از روش SVM، داده ها را دسته بندی و جهت تولید پیش بینی به کاربر به یک سیستم توصیه گر ترکیبی داده می دهیم که درنهایت این سیستم توصیه گر لیستی از صفحات را در اختیار کاربر قرار خواهد داد که می تواند موردعلاقه وی باشند. ارزیابی نتایج حاصل از تحقیق حاکی از آن بود که استفاده از این روش پیشنهادی می تواند امتیاز 95% را در قسمت فراخوانی و امتیاز 99% را در قسمت دقت به دست آورد که این نتایج اثبات می کند که این سیستم توصیه گر تا بیش از 90٪ می تواند صفحات موردنظر کاربر را به درستی تشخیص داده و تا حدود زیادی نقاط ضعف سایر سیستم های پیشین را برطرف سازد.

    کلید واژگان: سیستم توصیه گر، داده کاوی، الگوریتم DBSCAN، الگوریتم SVM، یادگیری ماشین
    reza molaee fard, mohammad mosleh

    Recommender systems can predict future user requests and then generate a list of the user's favorite pages. In other words, recommender systems can obtain an accurate profile of users' behavior and predict the page that the user will choose in the next move, which can solve the problem of the cold start of the system and improve the quality of the search. In this research, a new method is presented in order to improve recommender systems in the field of the web, which uses the DBSCAN clustering algorithm to cluster data, and this algorithm obtained an efficiency score of 99%. Then, using the Page rank algorithm, the user's favorite pages are weighted. Then, using the SVM method, we categorize the data and give the user a combined recommender system to generate predictions, and finally, this recommender system will provide the user with a list of pages that may be of interest to the user. The evaluation of the results of the research indicated that the use of this proposed method can achieve a score of 95% in the recall section and a score of 99% in the accuracy section, which proves that this recommender system can reach more than 90%. It detects the user's intended pages correctly and solves the weaknesses of other previous systems to a large extent.

    Keywords: Recommender system, data mining, DBSCAN algorithm, SVM algorithm, machine learning
  • Reza Molaee Fard, Payam Yarahmadi *
    Due to the growing number of articles and books available on the web, it seems necessary to have a system that can extract users' articles and books from the vast amount of information that is increasing day by day. One of the best ways to do this is to use referral systems. In this research, a method is provided to improve the recommender systems in the field of article recommendation to the user. In this research, DBSCAN clustering algorithm is used for data clustering. Then we will optimize our data using the firefly algorithm, then the genetic algorithm is used to predict the data, and finally the recommender system based on participatory filtering provides a list of different articles that can be of interest to the user. Be him. The results of the evaluation of the proposed method indicate that this recommending system has a score of 94% in the accuracy of the system. And in the call section, it obtained a score of 91%, which according to the obtained statistics, it can be said that this system can correctly suggest up to 90% of the user's favorite articles to the user.
    Keywords: recommender system, DBSCAN algorithm, Firefly Algorithm, Genetic Algorithm
  • رضا مولایی فرد*

    بیماری دیابت یکی از شایع ترین، خطرناک ترین و پرهزینه ترین بیماری های حال حاضر دنیا است، که با نرخ هشدار دهنده ای در حال افزایش است. استفاده از روش های داده کاوی می تواند به تشخیص زودهنگام دیابت کمک کند، که باعث جلوگیری از پیشرفت این بیماری و خیلی از عوارض آن مانند بیماری های قلبی و عروقی، مشکلات بینایی و بیماری های کلیوی می شود. ارایه خدمات مراقبتی و بهداشتی افراد مبتلا به بیماری دیابت اطلاعات مفیدی ایجاد می کند که با استفاده از این اطلاعات می توان برای شناسایی، درمان، مراقبت های بعدی و حتی پیشگیری از بیماری دیابت استفاده نمود. در این تحقیق به ارایه روش جدیدی به منظور بهبود تشخیص و پیشگیری از بیماری دیابت با استفاده از روش های داده کاوی پرداخته می شود. در این تحقیق از الگوریتم خوشه بندی DBSCAN جهت خوشه بندی داده ها استفاده می شود سپس با استفاده از SVM داده ها را جهت تشخیص داده های مفید، دسته بندی می کنیم و در نهایت با الگوریتم کرم شب تاب داده های بدست آمده را جهت افزایش کارایی با این الگوریتم بهینه می کنیم.نتایج حاصل از این تحقیق حاکی از کارایی بالاتر الگوریتم DBSCAN نسبت به سایر الگوریتم های خوشه بندی است همچنین الگوریتم SVM می تواند دقت 98% را بدست آورد که در مقایسه با سایر الگوریتم های داده کاوی توانست درصد دقت بیشتری را کسب کند.

    کلید واژگان: تشخیص دیابت، داده کاوی، الگوریتم DBSCAN، الگوریتم SVM، الگوریتم کرم شب تاب
    Reza Molaee Fard *

    Diabetes is one of the most common, dangerous and costly diseases in the world today, which is increasing at an alarming rate. The use of data mining methods can help in the early diagnosis of diabetes, which prevents the progression of this disease and many of its complications such as cardiovascular disease, vision problems and kidney disease. Providing care and health services to people with diabetes provides useful information that can be used to identify, treat, follow-up care and even prevent diabetes. In this study, a new method is presented to improve the diagnosis and prevention of diabetes using data mining methods. In this research, the DBSCAN clustering algorithm is used to cluster the data. Then, using SVM, we classify the data to identify useful data, and finally, with the firefly algorithm, we increase the obtained data to increase we optimize performance with this algorithm. The results of this study indicate that the DBSCAN algorithm is more efficient than other clustering algorithms. Also, the SVM algorithm can achieve 98% accuracy, which compared to other data mining algorithms could achieve a higher accuracy percentage.

    Keywords: Diabetes Diagnosis, Data Mining, DBSCAN Algorithm, SVM Algorithm, Firefly algorithm
  • Reza Molaee Fard *
    Due to the growing number of videos available on the web, it seems necessary to have a system that can extract users' favorite videos from a huge amount of information that is increasing day by day. One of the best ways to do this is to use referral systems. In this research, a method is provided to improve the recommender systems in the field of film recommendation to the user. In this research, DBSCAN clustering algorithm is used for data clustering. Then we will optimize our data using the cuckoo algorithm, then the genetic algorithm is used to predict the data, and finally, using a recommender system based on participatory refinement, a list of different movies that can be of interest to the user is provided. The results of evaluating the proposed method indicate that this recommender system obtained a score of 99% in the accuracy of the system and a score of 95% in the call section Suggest the user's favorite videos correctly to the user.
    Keywords: recommender system, DBSCAN algorithm, cuckoo algorithm, Genetic Algorithm, participatory filtering
  • ایمان مصلحی، محمدرضا جلیلی قاضی زاده*، احسان یوسفی خوش قلب

    تشخیص داده های نویز(پرت یا غیرعادی) از داده های جریان در شبکه های توزیع آب در مرحله آماده سازی و پیش پردازش داده ها برای دستیابی به داده های تاریخی قابل اعتماد انجام می گیرد؛ که در بهبود روش های ارزیابی و مدیریت نشت و بهره برداری موثر از شبکه، مهم و ضروری است. هدف از ارائه این مقاله توسعه یک متدولوژی جدید بر مبنای روش های یادگیری بدون نظارت، جهت شناسایی داده های پرت یا غیرعادی در یک مجموعه داده های جریان در شبکه های توزیع آب می باشد. متدولوژی توسعه داده شده شامل مراحل 1- جمع آوری داده های مورد نیاز، 2- صحت سنجی و نرمال سازی داده ها و 3- شناسایی و کشف داده های پرت یا غیرعادی با استفاده از الگوریتم خوشه بندی مکانی مبتنی بر چگالی مقاوم در مقابل نویز (DBSCAN) می باشد. متدولوژی پیشنهادی برای داده های جریان ورودی به یک منطقه در شبکه توزیع آب شهری تهران با تواتر زمانی برداشت داده 15 دقیقه برای سال 1394 به کار برده شد. نتایج نشان داد که متدولوژی توسعه داده شده قابلیت شناسایی داده های پرت ناشی از انواع شکستگی ها و مصارف مجاز غیرمعمول نظیر مصارف ناشی از تغییر در الگوی مصرفی جمعیت یا مصارف مجاز غیرعادی را دارد. از اینرو این متدولوژی را می توان به عنوان یک ابزار کاربردی و انعطاف پذیربرای پایش داده های جریان و شناسایی و حذف انواع داده های پرت از آنها مورد استفاده قرار داد.

    کلید واژگان: داده پرت، خوشه بندی مبتنی بر چگالی، الگوریتم DBSCAN، داده های جریان، شبکه توزیع آب
    Iman Moslehi, Mohammadreza Jalili Ghazizadeh *, Ehsan Yousefi Khoshqalb

    Anomaly or outlier detection of flow data in water distribution networks (WDNs) is implemented in data preparation and prepossessing step to achieve reliable historical data; it is important to improve the leakage assessment and management methods and the operations of the network efficiently. The main objective of this paper is to develop a new methodology based on unsupervised learning methods for anomaly or outlier detection in a flow data set in WDNs. The developed methodology includes three steps 1- required data acquisition, 2- data validation and normalization, and 3- anomaly or outlier detection using the density-based spatial clustering of application with noise (DBSCAN) algorithm. The proposed methodology is applied for inflow data into an area in Tehran's urban water distribution network with 15-min sampling intervals for 1394. The results showed that the developed methodology is capable to the detection anomalies due to different type of pipe breaks and unusual legitimate consumption such as water usage due to changes in water consumption pattern or unauthorized consumption. Therefore, this methodology can be used as an applicable and flexible tool for monitoring flow data and detecting and eliminating of different types of outliers from them.

    Keywords: outlier, Density-Based Clustering, DBSCAN Algorithm, Flow Data, Water Distribution Network
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