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

means algorithm

در نشریات گروه فنی و مهندسی
  • آرمان نیکخواه دهنوی، هانیه نورکجوری، زهرا سادات زمردیان*
    هدف این پژوهش بررسی امکان محرومیت زدایی به کمک تولید انرژی توسط پنل های فتولتاییک در محروم ترین روستاهای ایران است. در مرحله ی اول نقشه ی محرومیت و نقشه ی پتانسیل مناطق مختلف ایران از نظر میزان دریافت نور خورشید و نصب پنل های فتوولتاییک بررسی شد. 79 روستا با محرومیت بسیار زیاد و محرومیت زیاد شناسایی شدند. اکثر این مناطق در بخش جنوبی و جنوب شرقی واقع شده بودند که با توجه به تحقیقات گذشته و نقشه ی پتانسیل نصب فتولتاییک از دریافت تابش خوبی برخوردار بودند. بنابراین برای شناسایی دقیق تر این مناطق و اولویت بندی آن ها برای سیاست گذاری در بخش انرژی، مناطق گفته شده توسط الگوریتم بدون نظارت یادگیری ماشین کی-میانگین به چهار دسته تقسیم شدند و خصوصیات هر دسته از نظر میزان فقر و تولید انرژی محاسبه شد. طبق نتیجه ی خوشه بندی انجام شده، الویت ها و بهترین مناطق برای محرومیت زدایی با تولید انرژی و ایجاد کسب وکارهای مبتنی بر آن شناسایی شدند. همچنین درآمد هر روستا در دو حالت با استفاده از پنل های فتولتاییک 5 کیلووات برای هر خانوار (نصب بر روی بام) و ایجاد نیروگاه یک مگاواتی(که در زمین های بایر اطراف روستا ها مکان یابی شدند) با توجه به تعرفه های موجود محاسبه شد. با توجه به نتایج بدست آمده، اغلب روستاهای استان سیستان و بلوچستان در اولویت تولید انرژی با پنل های فتوولتاییک هستند. به عنوان مثال بخش بمپشت، با شاخص محرومیت 0.540 و با تولید انرژی9.37 مگاوات در سال از یک نیروگاه خورشیدی، بالاترین رتبه را بین روستاها جهت محرومیت زدایی توسط تولید انرژی از طریق پنل های فتولتاییک کسب کرده است.
    کلید واژگان: محرومیت زدایی، انرژی تجدید پذیر، فتولتاییک، الگوریتم کی-میانگین
    Arman Nikkhah Dehnavi, Hanieh Nourkojouri, Zahra Sadat Zomorodian *
    The purpose of this research was to alleviate deprivation in underprivileged rural areas of Iran by energy production through photovoltaic panels. First, the poverty map of the country has been analyzed along with the sunlight gain potential map of Iran. 79 villages with extremely high and high deprivation conditions were identified. In order to analyze these areas and prioritize them for decision-making in energy sector policy, the areas were categorized into four clusters by the K-means machine learning algorithm. According to the clustering results, the priorities for deprivation elimination through energy production have been identified. Also, the income of each village from two sources was calculated according to the existing tariffs: First, a 5 kW photovoltaic panel for each household and second, a one megawatt power plant located in the barren lands around the villages. The results indicate that Sistan and Baloochestan Province is the top priority in application of photovoltaic panels for energy production. For instance, Bampasht village with a deprivation index of 0.540 and energy production of 9.37 MW per year from a solar power plant, has obtained the highest rank among the villages for deprivation alleviation by energy production through photovoltaic panels.
    Keywords: deprivation alleviation, Renewable Energy, means algorithm, Photovoltaic Panels
  • Farshad Faezy Razi *

    In this paper, instead of the classical approach to the multi-criteria location selection problem, a new approach was presented based on selecting a portfolio of locations. First, the indices affecting the selection of maintenance stations were collected. The K-means model was used for clustering the maintenance stations. The optimal number of clusters was calculated through the Silhouette index. The efficiency of each cluster of stations was determined using the Charnes, Cooper and Rhodes input-oriented data envelopment analysis model. A bi-objective zero one programming model was used to select a Pareto optimal combination of rank and distance of stations. The Pareto solutions for the presented bi-objective model were determined using the invasive weed optimization method. Although the proposed methodology is meant for the selection of repair and maintenance stations in an oil refinery Company, it can be used in multi-criteria decision-making problems.

    Keywords: Facility location problem, DEA, CCR . K, means algorithm, Invasive weedoptimization, Multiple, criteria decision analysis
  • حسین شورورزی*، احید نعیمی، محمد طالعی
    یکی از راه های کاهش حجم ترافیک و میزان مصرف سوخت، استفاده از سرویس های حمل و نقل برای کارکنان ادارات و شرکت های بزرگ و کارخانه هاست. برنامهریزی و تخصیص خودروها به کارکنان سازمانها و تعیین مسیرهای جمع آوری آنها از مسائل اصلی این پژوهش می باشد. اینگونه مسائل را «مسئله مسیریابی وسایل نقلیه» می گویند که در دسته مسائل پیچیده بهینه سازی چند هدفه قرار می گیرند. هدف اصلی این مقاله ارائه روشی برای تجزیه این مسئله به چند مسئله تک هدفه و نیز ارائه روشی جدید برای مسیریابی می باشد. لذا در این مقاله ابتدا با استفاده از الگوریتم k میانگین بهبود یافته، مسئله ی مورد تحقیق تبدیل به چند مسئله تک هدفه گردیده و سپس با تلفیق الگوریتم saving و الگوریتم جستجوی ممنوع، کوتاه ترین مسیر محاسبه می گردد. نتایج نشان می دهد که استفاده از تلفیق الگوریتم saving و جستجوی ممنوع، نتایج بهتری نسبت به استفاده از الگوریتم جستجوی ممنوع به تنهایی دارد. والگوریتم تلفیقی سرعت بیشتری در رسیدن به پاسخ نهایی دارد.
    کلید واژگان: مسیریابی وسایل نقلیه، الگوریتم جستجوی ممنوع، الگوریتم k میانگین، الگوریتم saving، سیستم اطلاعات مکانی
    Hosein Shurvarzi *, Ahid Naeimi, Mohammad Taleai
    Taking the advantage of transportation services for employees corporate, offices and factories is one of the outstanding solutions to reduce traffic congestion and fuel consumption. In this way planning and allocation of vehicles to passengers and also determining the transportation routes are major problems. Such problems are known as Vehicle Routing Problem (VRP) that fall into category of complex multi-purpose optimization problem. This paper attempts to simplify the problem by breaking it into several simple and single-purpose problems and also to propose a novel approach for path finding. At first, VRP converts to several single-purpose problems, using improvement k-means algorithm. Then, a hybrid method based on Saving and Tabu Search algorithms is developed to find shortest path. Results show that hybrid method of Saving and Tabu Search algorithms is better and faster than using only Tabu. Keywords: Vehicle Routing Problems (VRP), Tabu Search Algorithm, Saving Algorithm, K-means Algorithm, GIS
    Keywords: Vehicle Routing Problems (VRP), Tabu Search Algorithm, Saving Algorithm, K, means Algorithm, GIS
  • اسکندر قلی پور *، مصیب برنا پور، محمدرضا اسماعیلی
    در این مقاله با استفاده از یک سیستم فازی، سیستم قدرت به نواحی مختلف تقسیم گردیده تا به وسیله ی کنترل کننده های محلی از پخش اغتشاش بین نواحی آن جلوگیری کند. یک روش کنترل ولتاژ ثانویه بر اساس الگوریتم های بهینه سازی برای پیدا کردن باس های کنترلی (باس هایی که جبران کننده ها در آن ها برای کنترل ولتاژ نصب می شوند) ارائه شده است. سپس تعدادی از باس ها به عنوان باس های کنترلی انتخاب شده اند. الگوریتم کنترلی یک کنترل کننده ی غیرمتمرکز است که سعی می کند مانع تخطی ولتاژ براثر تغییرات بار و اغتشاشات شود. در انتها این کنترلر غیرمتمرکز به یکی از ادوات FACTS STATCOM) (اعمال و نتیجه روی شبکه 118 باس IEEE بررسی شده است. نتایج بدست آمده نشان دهنده عملکرد مناسب الگوریتم تقسیم بندی و انتخاب باس های کنترلی برای تنظیم ولتاژ و جلوگیری از پخش اغتشاشات بین نواحی مختلف می باشد.
    کلید واژگان: الگوریتم بهینه سازی اجتماع ذرات فازی اصلاح شده، الگوریتم بخش بندی FCM، کنترل ولتاژ شبکه، STATCOM
    Eskandar Gholipour*
    In this paper, a fuzzy method called C-Means is used for division of a power system into different region. The extension of disturbance between these regions can be avoided by using a FACTS-embedded local controller in each region. Optimal location of FACTS devices (STATCOM) are determined by designing a voltage control method and using an optimization algorithm. This control method is a decentralized approach that prevents unallowable deviation of voltage during disturbances. To verify the performance of the proposed method, 118-bus IEEE power system is used. The simulation results show the desirable performance of the proposed method.
    Keywords: fuzzy adaptive modified particle swarm optimization, fuzzy C, Means algorithm, voltage control, STATCOM
  • Seyyed, Mahdi Hosseini, Motlagh, Peyman Ahadpour, Abdorrahman Haeri
    The growth of AVL (Automatic Vehicle Location) systems leads to huge amount of data about different parts of bus fleet (buses, stations, passenger, etc.) which is very useful to improve bus fleet efficiency. In addition, by processing fleet and passengers’ historical data it is possible to detect passenger’s behavioral patterns in different parts of the day and to use it in order to improve fleet plans. In this research, a new approach is developed to use AVL data to investigate relationship between headway change and passenger downfall rate. For this purpose, a new method is developed that is called Intelligent Headway Selection (IHS) approach. The aim of this approach is finding similar days from passengers’ behavior perspective in the dataset and by focusing on unusual patterns of each group, headway changes effects on passenger downfall rate is being studied. In this approach, in the first step, each day is classified into specific time periods (like half of hours) and the passengers’ behavior pattern is detected for each day during the specified time periods. Then, in the K-Means algorithm, Euclidian distance measure is replaced with Dynamic Time Warping (DTW) algorithm to enable the K-Means to compare time series. The modified K-Means algorithm is used to compare days in the dataset and categorize similar days in the same clusters. Then, headway – passenger per minute plot is created for each time period to detect unusual patterns. Then, a Headway Interval Detection Procedure (HIDP) is developed to use these unusual patterns to find suitable headway values for each time period. Afterwards, these plots merged and the final headways are calculated.
    Keywords: Headway, AVL, Dynamic Time Warping (DTW), Data mining, k, means algorithm, Bus scheduling
  • Rouzbeh Ghousi
    Uncertain and stochastic states have been always taken into consideration in the fields of risk management and accident, like other fields of industrial engineering, and have made decision making difficult and complicated for managers in corrective action selection and control measure approach. In this research, huge data sets of the accidents of a manufacturing and industrial unit have been studied by applying clustering methods and association rules as data mining methods. First, the accident data was briefly studied. Then, effective features in an accident were selected while consulting with industry experts and considering production process information. By performing clustering method, data was divided into separate clusters and by using Dunn Index as validator of clustering, optimum number of clusters has been determined. In the next stage, by using the Apriori Algorithm as one of association rule methods, the relations between these fields were identified and the association rules among them were extracted and analyzed. Since managers need precise information for decision making, data mining methods, when to be used properly, may act as a supporting system.
    Keywords: Accident, data mining, association rules, K, means algorithm, a priori Algorithm
  • R. Khamedi*, O. Pedram
    Due to the extensive use of composites in various industries, and the fact that defects reduce ultimate strength and efficiency during operation, detection of failures in composite parts is very important. The aim of this paper is to use Acoustic Emission (AE) non-destructive method in four-point bending test of carbon/epoxy composite to analyze and examine the failure mechanisms. This method is based on waves activated from defects in structures which are built during loading. Sensors collect acoustic signals which created by the separated layers. Each stage of failure is in specific frequency range and indicates a specific mechanism. Clustering of these signals is done with C-means and K-means algorithms then compared with the results of previous works. The failure process was shown to proceed through four stages. In both algorithms, each cluster coincides with one part of these stages.
    Keywords: Composite, Acoustic Emission, Clustering, C, means Algorithm, K, means Algorithm
  • ابوالفضل کاظمی، زهرا ضیایی کوچصفهانی
    در سال های اخیر اهمیت داده ها به عنوان منابع دارای پتانسیل اطلاعاتی بسیار بالا به نحو گسترده یی مورد توجه قرار گرفته شده است. داده کاوی با استخراج و کشف سریع و دقیق اطلاعات با ارزش و پنهان از پایگاه داده ها به منظور تصمیم گیری و پشتیبانی تصمیم از جمله اموری است که هر کشور، سازمان و شرکتی به منظور توسعه علمی، فنی و اقتصادی خود به آن نیاز دارد. با توجه به ضرورت استفاده از فنون داده کاوی ٓخصوصا خوشه بندیٓ در این نوشتار یک مدل ریاضی براساس رویکرد خوشه بندی ارائه می شود که در خوشه بندی مشتریان شرکت صنعتی پارس خزر کاربرد دارد. مسئله ی خوشه بندی به صورت مدل ریاضی با هدف کمینه سازی مجموع متوسط فواصل درون خوشه یی در طبقه بندی مشتریان فرمول بندی می شود که در تمامی موارد آزمایش شده، با بهبودبخشی شدید در فواصل درون خوشه یی همراه است. عملکرد این شیوه در یک مسئله ی واقعی آزموده شده و تحلیل نتایج حاکی از کارایی محاسبات این شیوه است.
    کلید واژگان: داده کاوی، خوشه بندی، روش های خوشه بندی سلسله یی و غیرسلسله یی، مدیریت ارتباط با مشتری، الگوریتم k، m e a n s
    A. KAZEMI, Z. Z. KOCHESFAHANI
    I‌n r‌e‌c‌e‌n‌t y‌e‌a‌r‌s, d‌a‌t‌a i‌m‌p‌o‌r‌t‌a‌n‌c‌e i‌s w‌i‌d‌e‌l‌y c‌o‌n‌s‌i‌d‌e‌r‌e‌d a‌s a r‌e‌s‌o‌u‌r‌c‌e w‌i‌t‌h h‌i‌g‌h i‌n‌f‌o‌r‌m‌a‌t‌i‌o‌n p‌o‌t‌e‌n‌t‌i‌a‌l. D‌a‌t‌a m‌i‌n‌i‌n‌g i‌s a p‌r‌o‌c‌e‌s‌s o‌f e‌x‌t‌r‌a‌c‌t‌i‌n‌g a‌n‌d r‌e‌f‌i‌n‌i‌n‌g k‌n‌o‌w‌l‌e‌d‌g‌e f‌r‌o‌m a l‌a‌r‌g‌e d‌a‌t‌a‌b‌a‌s‌e. T‌h‌e e‌x‌t‌r‌a‌c‌t‌e‌d i‌n‌f‌o‌r‌m‌a‌t‌i‌o‌n c‌a‌n b‌e u‌s‌e‌d t‌o p‌r‌e‌d‌i‌c‌t, c‌l‌a‌s‌s‌i‌f‌y, m‌o‌d‌e‌l, a‌n‌d c‌h‌a‌r‌a‌c‌t‌e‌r‌i‌z‌e t‌h‌e d‌a‌t‌a b‌e‌i‌n‌g m‌i‌n‌e‌d. I‌t i‌s a‌n i‌n‌t‌e‌l‌l‌i‌g‌e‌n‌t m‌e‌t‌h‌o‌d o‌f d‌i‌s‌c‌o‌v‌e‌r‌i‌n‌g u‌n‌k‌n‌o‌w‌n o‌r u‌n‌e‌x‌p‌l‌o‌r‌e‌d r‌e‌l‌a‌t‌i‌o‌n‌s‌h‌i‌p‌s w‌i‌t‌h‌i‌n a l‌a‌r‌g‌e d‌a‌t‌a‌b‌a‌s‌e. I‌t u‌s‌e‌s t‌h‌e p‌r‌i‌n‌c‌i‌p‌l‌e‌s o‌f p‌a‌t‌t‌e‌r‌n r‌e‌c‌o‌g‌n‌i‌t‌i‌o‌n a‌n‌d m‌a‌c‌h‌i‌n‌e l‌e‌a‌r‌n‌i‌n‌g t‌o d‌i‌s‌c‌o‌v‌e‌r k‌n‌o‌w‌l‌e‌d‌g‌e, a‌n‌d v‌a‌r‌i‌o‌u‌s s‌t‌a‌t‌i‌s‌t‌i‌c‌a‌l a‌n‌d v‌i‌s‌u‌a‌l‌i‌z‌a‌t‌i‌o‌n t‌e‌c‌h‌n‌i‌q‌u‌e‌s t‌o p‌r‌e‌s‌e‌n‌t t‌h‌e k‌n‌o‌w‌l‌e‌d‌g‌e i‌n a c‌o‌m‌p‌r‌e‌h‌e‌n‌s‌i‌b‌l‌e f‌o‌r‌m. D‌a‌t‌a m‌i‌n‌i‌n‌g w‌i‌t‌h e‌x‌t‌r‌a‌c‌t‌i‌o‌n, a‌n‌d r‌a‌p‌i‌d a‌n‌d p‌r‌e‌c‌i‌s‌e d‌i‌s‌c‌o‌v‌e‌r‌y o‌f v‌a‌l‌u‌a‌b‌l‌e a‌n‌d h‌i‌d‌d‌e‌n i‌n‌f‌o‌r‌m‌a‌t‌i‌o‌n f‌r‌o‌m d‌a‌t‌a b‌a‌s‌e‌s, i‌s u‌s‌e‌d f‌o‌r d‌e‌c‌i‌s‌i‌o‌n m‌a‌k‌i‌n‌g a‌n‌d d‌e‌c‌i‌s‌i‌o‌n s‌u‌p‌p‌o‌r‌t. I‌t i‌s a t‌e‌c‌h‌n‌i‌q‌u‌e t‌h‌a‌t e‌v‌e‌r‌y c‌o‌u‌n‌t‌r‌y, o‌r‌g‌a‌n‌i‌z‌a‌t‌i‌o‌n a‌n‌d c‌o‌m‌p‌a‌n‌y r‌e‌q‌u‌i‌r‌e‌s i‌n o‌r‌d‌e‌r f‌o‌r s‌c‌i‌e‌n‌t‌i‌f‌i‌c, t‌e‌c‌h‌n‌o‌l‌o‌g‌i‌c‌a‌l a‌n‌d e‌c‌o‌n‌o‌m‌i‌c d‌e‌v‌e‌l‌o‌p‌m‌e‌n‌t. N‌o‌w‌a‌d‌a‌y‌s, c‌o‌n‌s‌i‌d‌e‌r‌i‌n‌g t‌h‌e s‌t‌r‌o‌n‌g c‌o‌m‌p‌e‌t‌i‌t‌i‌o‌n c‌o‌n‌d‌i‌t‌i‌o‌n o‌f c‌o‌m‌p‌a‌n‌i‌e‌s a‌n‌d o‌r‌g‌a‌n‌i‌z‌a‌t‌i‌o‌n‌s t‌o g‌a‌i‌n n‌e‌w c‌u‌s‌t‌o‌m‌e‌r‌s a‌n‌d m‌a‌i‌n‌t‌a‌i‌n p‌r‌e‌v‌i‌o‌u‌s c‌u‌s‌t‌o‌m‌e‌r‌s, t‌h‌e v‌o‌l‌u‌m‌e o‌f c‌u‌s‌t‌o‌m‌e‌r i‌n‌f‌o‌r‌m‌a‌t‌i‌o‌n a‌n‌d d‌r‌a‌m‌a‌t‌i‌c‌a‌l‌l‌y c‌o‌m‌p‌l‌e‌x i‌n‌t‌e‌r‌a‌c‌t‌i‌o‌n w‌i‌t‌h c‌u‌s‌t‌o‌m‌e‌r‌s, d‌a‌t‌a m‌i‌n‌i‌n‌g h‌a‌s b‌e‌e‌n a p‌i‌o‌n‌e‌e‌r f‌o‌r a‌c‌q‌u‌i‌s‌i‌t‌i‌o‌n p‌r‌o‌f‌i‌t‌a‌b‌i‌l‌i‌t‌y i‌n c‌u‌s‌t‌o‌m‌e‌r r‌e‌l‌a‌t‌i‌o‌n‌s‌h‌i‌p‌s, c‌o‌n‌s‌i‌d‌e‌r‌i‌n‌g t‌h‌e n‌e‌c‌e‌s‌s‌i‌t‌y t‌o u‌s‌e d‌a‌t‌a m‌i‌n‌i‌n‌g, e‌s‌p‌e‌c‌i‌a‌l‌l‌y c‌l‌u‌s‌t‌e‌r‌i‌n‌g. I‌n t‌h‌i‌s p‌a‌p‌e‌r, t‌h‌e f‌i‌r‌s‌t c‌o‌n‌c‌e‌p‌t o‌f c‌l‌u‌s‌t‌e‌r‌i‌n‌g a‌n‌d i‌t‌s a‌p‌p‌l‌i‌c‌a‌t‌i‌o‌n‌s i‌s c‌o‌n‌s‌i‌d‌e‌r‌e‌d, t‌h‌e‌n a r‌e‌v‌i‌e‌w a‌b‌o‌u‌t d‌a‌t‌a m‌i‌n‌i‌n‌g m‌a‌t‌h‌e‌m‌a‌t‌i‌c‌a‌l c‌o‌n‌c‌e‌p‌t‌s a‌n‌d c‌l‌u‌s‌t‌e‌r‌i‌n‌g, i‌n‌c‌l‌u‌d‌i‌n‌g: m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e s‌u‌m‌s o‌f s‌q‌u‌a‌r‌e‌s w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌i‌n‌g, c‌o‌m‌p‌o‌n‌e‌n‌t‌s r‌e‌l‌a‌t‌e‌d t‌o p-d‌i‌m‌e‌n‌s‌i‌o‌n E‌u‌c‌l‌i‌d‌e‌a‌n s‌p‌a‌c‌e, m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e d‌i‌s‌t‌a‌n‌c‌e‌s o‌f t‌h‌e m‌e‌a‌n s‌q‌u‌a‌r‌e‌d s‌u‌m w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌i‌n‌g, n‌u‌m‌b‌e‌r o‌f c‌l‌u‌s‌t‌e‌r‌s, m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e t‌o‌t‌a‌l d‌i‌s‌t‌a‌n‌c‌e w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌i‌n‌g, a‌n‌d m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e m‌a‌x‌i‌m‌u‌m d‌i‌s‌t‌a‌n‌c‌e w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌s, i‌s a‌d‌d‌r‌e‌s‌s‌e‌d. A m‌o‌d‌e‌l o‌f ``m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e m‌e‌a‌n s‌u‌m o‌f d‌i‌s‌t‌a‌n‌c‌e‌s w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌s i‌n c‌u‌s‌t‌o‌m‌e‌r s‌e‌g‌m‌e‌n‌t‌a‌t‌i‌o‌n'' i‌s p‌r‌o‌p‌o‌s‌e‌d. T‌h‌e p‌r‌o‌p‌o‌s‌e‌d m‌o‌d‌e‌l i‌s f‌o‌r‌m‌u‌l‌a‌t‌e‌d a‌s a m‌a‌t‌h‌e‌m‌a‌t‌i‌c‌a‌l m‌o‌d‌e‌l w‌i‌t‌h t‌h‌e o‌b‌j‌e‌c‌t‌i‌v‌e o‌f m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e m‌e‌a‌n s‌u‌m o‌f d‌i‌s‌t‌a‌n‌c‌e‌s w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌s. T‌h‌e‌n, t‌h‌e m‌o‌d‌e‌l i‌s c‌o‌m‌p‌a‌r‌e‌d w‌i‌t‌h t‌h‌e ``m‌i‌n‌i‌m‌i‌z‌i‌n‌g t‌h‌e d‌i‌s‌t‌a‌n‌c‌e‌s m‌e‌a‌n s‌q‌u‌a‌r‌e‌d s‌u‌m w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌i‌n‌g'' m‌o‌d‌e‌l u‌s‌i‌n‌g M‌A‌T‌L‌A‌B 7.5.0 (R2007b). T‌h‌e p‌r‌o‌p‌o‌s‌e‌d m‌e‌t‌h‌o‌d d‌o‌e‌s n‌o‌t d‌e‌p‌e‌n‌d o‌n a‌n‌y i‌n‌i‌t‌i‌a‌l p‌o‌s‌i‌t‌i‌o‌n‌s f‌o‌r t‌h‌e c‌l‌u‌s‌t‌e‌r c‌e‌n‌t‌e‌r‌s a‌n‌d d‌o‌e‌s n‌o‌t a‌l‌l‌o‌w a‌n‌y e‌m‌p‌i‌r‌i‌c‌a‌l‌l‌y a‌d‌j‌u‌s‌t‌a‌b‌l‌e p‌a‌r‌a‌m‌e‌t‌e‌r‌s. I‌n t‌h‌e t‌e‌s‌t‌e‌d c‌a‌s‌e‌s, t‌h‌e m‌o‌d‌e‌l h‌a‌s i‌m‌p‌r‌o‌v‌e‌d t‌h‌e d‌i‌s‌t‌a‌n‌c‌e‌s w‌i‌t‌h‌i‌n c‌l‌u‌s‌t‌e‌r‌s. F‌i‌n‌a‌l‌l‌y, t‌h‌e p‌e‌r‌f‌o‌r‌m‌a‌n‌c‌e o‌f t‌h‌e m‌o‌d‌e‌l i‌s t‌e‌s‌t‌e‌d o‌n a r‌e‌a‌l p‌r‌o‌b‌l‌e‌m f‌o‌r c‌l‌a‌s‌s‌i‌f‌i‌c‌a‌t‌i‌o‌n o‌f t‌h‌e P‌a‌r‌s‌k‌h‌a‌z‌a‌r I‌n‌d‌u‌s‌t‌r‌y c‌u‌s‌t‌o‌m‌e‌r‌s. E‌x‌p‌e‌r‌i‌m‌e‌n‌t‌s r‌e‌v‌e‌a‌l t‌h‌a‌t t‌h‌e p‌r‌o‌p‌o‌s‌e‌d m‌o‌d‌e‌l h‌a‌s e‌f‌f‌i‌c‌i‌e‌n‌t y‌i‌e‌l‌d.
    Keywords: Data mining, clustering, hierarchical and nonhierarchical clustering, customer relationship management, k, means algorithm
  • زهره زارع نژاد، پدرام پیوندی *

    امروزه صنعت پوشاک و مد صنعتی جهانی است و اکثر کشورها روی این صنعت سرمایه گذاری می کنند. در سالهای اخیر با گسترش تجارت الکترونیک و با توجه به مزیت های آن مثل قابل استفاده بودن کالاها با هزینه کمتر، انتخاب گسترده تر و صرفه جویی در زمان، انبوه مردم مایحتاج خود را از وبگاه ها و فروشگاه های اینترنتی به جای مغازه ها تهیه می کنند. این موضوع، نیاز به سامانه ای را ایجاد کرده که بتواند پوشاک را شناسایی و تصاویر پوشاک را به عنوان شیء نرم بازیابی کرده و آنها را دسته بندی کند، تا جست و جوی مردم در بازه محدودتری انجام شود. هر چند برای چشم انسان شناسایی سبک و مدل پوشاک آسان است، اما شناسایی آن به طور خودکار برای برنامه های رایانه ای مسئله کم اهمیتی نیست. در این مقاله، سامانه ای برای بازیابی تصویر بر مبنای توصیف آن ارائه شده است که با استفاده از پردازش تصویر و روش خوشه بندی K-means پوشاک را خوشه بندی و انواع مختلف پوشاک را بر اساس مقدار شباهت آن ها از هم جدا کرده است. نتایج نشان می دهد، این سامانه از کارایی و دقت زیاد، 67 درصد، برخوردار است و می تواند در خوشه بندی انواع مختلف پوشاک مفید واقع شود.

    کلید واژگان: خوشه بندی تصاویر پوشاک، پردازش تصویر، شباهت، الگوریتم K، means
    Z. Zarenejad, P. Payvandy

    Nowadays، the fashion industry is a global industry in which most countries invest in it. In recent years by development of e-commerce and its time saving and providing wide selection of goods for customers، many people do their purchasing through online shops instead of going to stores. So for the online apparel markets، it is necessary to have a system to retrieve garment images and include them in a specific database، so to do searching quicker and more effectively. In this way customers find it easier to have access what they look for. Although it is simple to detect a garment style by image searching but it is no so for a computer system. In this paper an algorithm is presented which is based on image processing and K-means clustering for grouping the garment images. The algorithm has the ability to group similar garment images. The results show that this developed system can detect and cluster 67% of database images correctly.

    Keywords: garment images clustering, image processing, similarity, k, means algorithm
  • زینب مزدک، پدرام پیوندی*، علی اصغر علمدار یزدی

    با توجه به استقبال گسترده نسل جوان از پوشاک جین و به طور ویژه شلوارهای جین، طراحی و کنترل کیفیت این لباس ها از اهمیت بسزایی برخوردار است. با توجه به اهمیت این موضوع در صنعت پوشاک، هنوز طبقه بندی خاصی برای طرح های سنگ شور مورد استفاده در شلوار جین ارائه نشده است. در این مقاله، از 306 طرح سنگ شور جلو و پشت شلوار جین در شرایط یکسان نورپردازی، تصویربرداری شد. پس از پیش پردازش تصاویر، با استفاده از الگوریتم خوشه بندی K-means، طرح سنگ شور جداسازی شد و در نهایت با استفاده از خوشه بندی K-means، تقسیم بندی طرح های سنگ شور بخش های جلو و پشت شلوار انجام شد. برای تعیین خوشه بندی بهینه طرح های سنگ شور، برنامه خوشه بندی طرح های سنگ شور بخش های جلو و پشت شلوار، 100 مرتبه اجرا شد و با توجه به شاخص اعتبارسنجی دیویس- بولدین (DB)، بهترین خوشه بندی انتخاب و با خوشه بندی چشمی (بصری) مقایسه شد. نتایج حاکی از این است که روش خوشه بندی K-means تا %60 با روش خوشه بندی چشمی مطابقت دارد.

    کلید واژگان: سنگشور جین، الگوریتم K، means، پردازش تصویر، خوشه بندی
    Zeinab Mazdak, Pedram Payvandy, Ali Asghar Alamdar Yazdi

    Jeans have increasingly become popular among young people worldwide, just the same as in global markets, and therefore their quality needs to be controlled carefully. This paper deals with the classification of the stone-wash jeans by using k-means clustering algorithm. A total of 306 ready jeans were prepared and the stoned zones of their front and back were imaged under light projection. The K-means clustering algorithm was used to extract jean stone-wash designs. Finally clustering schemes were applied by K-means clustering in order to achieve the optimized condition by running the program one hundred times on the front and the back of the trousers. The clustering validity method was based on Davies-Bouldin Index as the best method. Finally, the result of the above method was compared with the optical method. The results showed that k-means clustering method, applied on stone-wash design, was comparable with the unaided eye observation by 60%.

    Keywords: Stone, wash design, K, means algorithm, Image Processing, Clustring
  • Z. Shaeiri, R. Ghaderi
    Recognizing genes with distinctive expression levels can help in prevention, diagnosis and treatment of the diseases at the genomic level. In this paper, fast Global k-means (fast GKM) is developed for clustering the gene expression datasets. Fast GKM is a significant improvement of the k-means clustering method. It is an incremental clustering method which starts with one cluster. Iteratively new clusters are added. In each epoch all data points are checked for the k-th cluster center. Therefore a near global solution is obtained. In the gene expression clustering problem, since genes with significant differential expression levels, across the output class labels, are important for the accurate classification of samples, a fuzzy entropy measure is used to adjust the fast GKM for the gene expression data clustering application. To demonstrate the usefulness of the proposed method, three published microarray datasets are used: Leukemia, Prostate, and Colon. Classification results are found robust and accurate using three public classification
    Methods
    K-NN, SVM, and Naïve Bayesian.
    Keywords: gene expression data clustering, global k, means algorithm, fuzzy entropy measure
  • مسعود یقینی*، رویا سلطانیان، جواد نوری
    مساله خوشه بندی به منظور کمینه کردن مجموع مجذور انحراف، یک مساله غیر خطی و غیر محدب بوده و دارای تعداد زیادی نقاط بهینه محلی است. هدف از این مقاله، ارائه روشی ترکیبی با استفاده از الگوریتم ژنتیک و K-Means برای خروج از نقاط بهینه محلی است.استفاده از الگوریتم ژنتیک برای خروج از نقاط بهینه محلی، توسط محققین بسیاری انجام شده است. در این مقاله روش های جدیدی برای عملگرهای بازترکیبی و جهش ارائه شده است. منطق روش های پیشنهادی بر این امر استوار است که اگر عملگرهای تغییر به جای آنکه بطور تصادفی در کل فضای جواب اعمال گردند، در یک منطقه محدود از پیش تعریف شده، انجام شوند، به جواب های بهتری دست خواهیم یافت. برای ارزیابی الگوریتم پیشنهادی، از سه نوع عملگر جهش و پنج نوع عملگر بازترکیبی بر روی مجموعه داده های استاندارد استفاده شده است. مقایسه نتایج بدست آمده با سایر روش ها، به ازای Kهای متفاوت، نشان می دهد می توان با استفاده از عملگر بازترکیبی ساده یک نقطه ای و عملگر جهش ارائه شده در این مقاله با نام «عملگر جهش منطقه ای خوشه ای»، به جواب های بهتری دست یافت.
    کلید واژگان: خوشه بندی، الگوریتم ژنتیک، الگوریتم K، Means
    M.Yaghini*, R.Soltanian, J.Noori
    The clustering problem under the criterion of minimum sum of squares is a non-convex and non-linear program, which possesses many locally optimal values, resulting that its solution often being stuck at locally optimal values and therefore cannot converge to global optima solution. In this paper, we introduce several new variation operators for the proposed hybrid genetic algorithm for the clustering problem. The novel mutation operator, called Clustering Regional Mutation, exchanges neighboring centers and a simple one-point crossover. The proposed algorithm identifies proper clustering. The experimental results are given to illustrate the effectiveness of the new genetic algorithm.
    Keywords: Clustering, Genetic algorithm, K, Means 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