فایلکو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فایلکو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

دانلود مقالهISI اطلاعات اطمینان در یک خوشه پزشکی قانونی توزیع

اختصاصی از فایلکو دانلود مقالهISI اطلاعات اطمینان در یک خوشه پزشکی قانونی توزیع دانلود با لینک مستقیم و پر سرعت .

موضوع فارسی : اطلاعات اطمینان در یک خوشه پزشکی قانونی توزیع

موضوع انگلیسی : Information assurance in a distributed forensic cluster

تعداد صفحه : 9

فرمت فایل :pdf

سال انتشار : 2014

زبان مقاله : انگلیسی

چکیده

بسیاری از نرم افزار که در پزشکی قانونی دیجیتال در اواسط 1980s آغاز شده برای تجزیه و تحلیل استفاده
از نوشتن و اشکال زدایی نرم افزار است. در میان این ابزار بود ابزار یونیکس، ممکنه،
که برای ایجاد یک تصویر از یک دستگاه ذخیره سازی کل استفاده شد. در دهه آینده
عمل ایجاد و استفاده از یک تصویر را به عنوان یک پایگاه اساسی تاسیس شد
آنچه ما تماس بگیرید 'صدا عمل پزشکی قانونی. به موجب ساختار آن، هر فی لو در درون رسانه
بخشی لاینفک از تصویر بود و بنابراین ما اطمینان داده شد که آن را سالم و بود
نمایندگی از صحنه جرم های دیجیتال است. در عصر رسانه های ترابایت 'تصویر است
به طور فزاینده ای دست و پا گیر برای پردازش، به سادگی به دلیل اندازه آن است. یک راه حل برای
این نهفته در استفاده از سیستم های توزیع شده است. با این حال، تضمین داده ذاتی در یک
فی رسانه های تصویری لو از دست داده است هنگامی که داده ها در لس جداگانه فی توزیع شده در سراسر یک سیستم ذخیره می شود. که در
این مقاله ما شیوه های تضمین فعلی ارزیابی و ارائه برخی از راه حل به نیاز به
اطمینان در یک سیستم توزیع شده است.

کلمات کلیدی: پزشکی قانونی دیجیتال
پردازش توزیع شده
تجزیه و تحلیل رسانه ها
فیوز فی LE-سیستم
اطلاعات اطمینان


دانلود با لینک مستقیم


دانلود مقالهISI اطلاعات اطمینان در یک خوشه پزشکی قانونی توزیع

پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD

اختصاصی از فایلکو پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD دانلود با لینک مستقیم و پر سرعت .

پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD


پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD

دانلود پروژه الگوریتم ژنتیک فازی برای خوشه بندی داده های گروهی 42 صفحه با فرمت WORD

 

 

 

 

 

 

فهرست مطالب 

چکیده

مقدمه

مروری بر روش های قبل

الگوریتمk-means Hard

مثالی عددی از الگوریتم k-means

مقادیر مرکز های اولیه

فاصله بین مراکز و داده ها

خوشه بندی داده ها

تعیین مراکز

فاصله مراکز- داده ها

خوشه بندی داده ها

تعیین مراکز

فاصله مراکز- داده ها

خوشه بندی داده ها

الگوریتم Clustering (FCM) Fuzzy c-Means

Hard k-Modes الگوریتم

الگوریتم Fuzzy k-Modes

الگوریتمGenetic fuzzy k-Modes

نمایش رشته ای

فرآیند مقدار دهی اولیه

الگوریتم مقداردهی اولیه

فرایند انتخاب

الگوریتم تولید جمعیت جدید

فرایند ادغام

الگوریتم ادغام

فرایند جهش

پروسه جهش

معیار توقف

آزمایش ها

معیار کیفیت خوشه بندی

مجموعه داده

نتایج

نتیجه گیری

پیوست – کد برنامه

مراجع

 

 

چکیده

 خوشه بندی روشی است که داده های یک مجموعه داده را به گروه یا خوشه تقسیم می کند . از مرسوم ترین روش های خوشه بندی،الگوریتم های خوشه بندی k-Means وfuzzy k-Means می باشند.این دو الگوریتم فقط روی داده های عددی عمل می کنند و به منظور رفع این محدودیت، الگوریتم های k-Modes و fuzzy k-Modes ارائه شدند که مجموعه داده های گروهی (دسته ای) را نیز خوشه بندی می کنند. . با این وجود، این الگوریتم ها ،شبیه همه روال های بهینه سازی دیگر که برای مینیمم عمومی یک تابع جستجو می کنند، احتمال گیر افتادن در یک مینیمم محلی وجود دارد. به منظوردستیابی به جوبب بهینه عمومی ، الگوریتم های تکاملی مانند ژنتیک و جدول جستجو با الگوریتم های مذکور ترکیب می شوند. در این پژوهش،   الگوریتم  ژنتیک ، GA، را با الگوریتم fuzzy k-Modes ترکیب شده ،بطوریکه  عملگر ادغام به عنوان یک مرحله از الگوریتم  fuzzy k-Modes تعریف می شود.  آزمایش ها روی دو مجموعه داده واقعی انجام شده است تا همراه با مثال کارایی الگوریتم پیشنهادی را روشن نماید.

 

1.مقدمه

به عنوان یک ابزار اولیه در داده کاوی[1] ،تجزیه و تحلیل  خوشه ، که تجزیه و تحلیل سگمنت نیز نامیده می شود،روشی است که داده ها  را به گروه هایی  همگن تحت عنوان خوشه تقسیم می کند.در چنین روشی داده های موجود در یک کلاستر یا خوشه خیلی شبیه به هم و داده ها ی کلاستر های مختلف خیلی متفاوت نسبت به  هم هستند.اغلب، شباهت بر مبنای معیار فاصله می باشد.

آنالیز خوشه،خوشه بندی، تکنیک عمومی برای آنالیز داده های آماری می باشد که در بسیاری زمینه ها  مانند یادگیری ماشین ، داده کاوی ، شناسایی الگو و آنالیز تصویر کاربرد دارد.در کنار اصطلاح خوشه بندی داده (یا فقط خوشه بندی)،بعضی اصطلاحات دیگرنیزهمانند کلاس بندی اتوماتیک[2] ،طبقه بندی  عددی[3]، آنالیز نوع شناسی[4] ، با معنای مشابه  استفاده می شود[1].

به طور کلی ،یک الگوریتم خوشه بندی خوب معمولا برای طراحی شامل چهار فاز ذیل را شامل می شود:1- نمایش داده[5]2- مدل کردن[6].3- بهینه سازی[7].4- اعتبار سنجی[2][8] ..

فاز نمایش  داده، تعیین می کند که چه نوعی از ساختارهای خوشه می تواند داده ها را شناسایی کند.سپس فاز مدلینگ ضوابط و معیار ها را برروی ساختار تعریف می کند بطوریکه که ساختارها ی گروه های مطلوب را از موارد نامطلوب مجزا می کند.در فاز مدلینگ ، در طول جستجو برای ساختار های مخفی در داده ،یک معیار کیفیت مانند  معیار بهینه سازی یا معیار تقریب تولید می شود. بعبارتی دیگرفاز بهینه سازش،ساختار های موثرتر و بهینه تر را انتخاب میکند. از آنجا که فرآیند خوشه بندی ،یک فرایند بدون سرپرستی است فاز اعتبار سنجی خیلی ضروری است تا نتایج تولید شده به وسیله الگوریتم خوشه بندی ارزیابی شوند.

به طور کلی ،الگوریتم های خوشه بندی به دو دسته تقسیم بندی می شوند[3,4] : الگوریتم های خوشه بندی سخت[9] و الگوریتم های خوشه بندی فازی[10].

در چهارچوب خوشه بندی سخت ،هر شی ء به یک و فقط یک خوشه تعلق دارد و برعکس در چهار چوب خوشه بندی فازی به هر شی ء اجازه داده می شود که توابع تعلقی به همه خوشه ها داشته باشد.هر دو روش الگوریتم خوشه بندی سخت و فازی ،مرکز های خوشه (نمونه های اولیه) را تعیین می کنند و مجموع مربع فاصله  بین این مرکز ها و خوشه ها را مینیمم می کنند.

بسیاری از الگوریتم ها به منظور دستیابی به خوشه بندی سخت در یک مجموعه داده  پیشرفت داده شده اند.در بین آنها الگوریتم  k-meansو روش های  خوشه بندی IsoData به طور گسترده ای مورد استفاده گرفته اند.این دو الگوریتم بر پایه تکرار می باشند. کاربرد مجموعه های فازی در توابع کلاس بندی موجب می شود هر داده در یک زمان به چندین کلاس با درجه های متفاوت تعلق داشته باشد[3].............................................................................

 

دانلود با لینک مستقیم