آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,429 |
| تعداد مقالات | 17,583 |
| تعداد مشاهده مقاله | 57,199,860 |
| تعداد دریافت فایل اصل مقاله | 19,032,487 |
چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه‌بندی نیمه‌نظارتی با بهره‌گیری از محدودیت‌های زوجی | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 مهر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2025.64845.1263 | ||
| نویسندگان | ||
| نور کاظم خودهیر1؛ محمد‌علی بالافر* 2؛ جعفر تنها3؛ امین گلزاری اسکویی4 | ||
| 1دانشگاه تبریز | ||
| 2دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
| 3استادیار-دانشکده مهندسی برق و کامپیوتر- دانشگاه تبریز | ||
| 4دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه صنعتی ارومیه، ارومیه | ||
| چکیده | ||
| اخیراً استفاده از یادگیری عمیق برای خوشه‌بندی داده‌ها به دلیل توانایی آن در کشف ساختارهای پیچیده داده‌ها، مورد توجه بسیاری از پژوهشگران قرار گرفته است. در این مقاله، یک چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه‌بندی نیمه‌نظارتی پیشنهاد شده است که شامل معماری خودرمزگذار با اتصالات باقیمانده است. این چارچوب دو بخش اصلی دارد: رمزگذار مبتنی بر ResNet که بازنمایی‌های نهفته و معنادار از داده‌ها استخراج می‌کند، و رمزگشا که وظیفه بازسازی دقیق داده‌های ورودی را بر عهده دارد.مدل پیشنهادی از یک تابع زیان ترکیبی بهره می‌برد که شامل میانگین مربعات خطا (MSE)، واگرایی کولبک-لایبلر (KLD)، محدودیت‌های زوجی نیمه‌نظارتی و برچسب‌های نیمه‌نظارتی است. این ترکیب نوآورانه، فرایند خوشه‌بندی را با استفاده از توزیع هدف به‌عنوان برچسب‌های نرم هدایت کرده و موجب بهبود پایداری مدل می‌شود. نتایج آزمایش‌ها بر روی مجموعه داده‌های عمومی نشان می‌دهد که مدل پیشنهادی به‌طور میانگین دقت 96.8% در معیار دقت خوشه‌بندی و 92.5% در معیار اطلاعات متقابل نرمال‌شده (NMI) را به دست آورده است. این نتایج حاکی از بهبود عملکرد مدل نسبت به روش‌های پیشین در خوشه‌بندی نیمه‌نظارتی است. | ||
| کلیدواژه‌ها | ||
| خوشه‌بندی نیمه‌نظارتی؛ خودرمزگذار مبتنی بر ResNet؛ محدودیت‌های زوجی؛ یادگیری عمیق برای خوشه‌بندی | ||
|
آمار تعداد مشاهده مقاله: 134 |
||