論文の概要: Interval Type-2 Enhanced Possibilistic Fuzzy C-Means Clustering for Gene
Expression Data Analysis
- arxiv url: http://arxiv.org/abs/2101.00304v1
- Date: Fri, 1 Jan 2021 19:29:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 11:13:32.684169
- Title: Interval Type-2 Enhanced Possibilistic Fuzzy C-Means Clustering for Gene
Expression Data Analysis
- Title(参考訳): 遺伝子発現データ解析のためのインターバルタイプ2強化可能性ファジィC平均クラスタリング
- Authors: Shahabeddin Sotudian and Mohammad Hossein Fazel Zarandi
- Abstract要約: FCMとPCMのクラスタリング手法はパターン認識とデータクラスタリングに広く応用されている。
PFCMは、FCMとPCMを組み合わせたPCMモデルの拡張であるが、この方法はまだPCMとFCMの弱点に苦しんでいる。
本稿では,PFCMアルゴリズムの弱点を修正し,EPFCMクラスタリングアルゴリズムの強化について述べる。
- 参考スコア(独自算出の注目度): 0.6445605125467573
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Both FCM and PCM clustering methods have been widely applied to pattern
recognition and data clustering. Nevertheless, FCM is sensitive to noise and
PCM occasionally generates coincident clusters. PFCM is an extension of the PCM
model by combining FCM and PCM, but this method still suffers from the
weaknesses of PCM and FCM. In the current paper, the weaknesses of the PFCM
algorithm are corrected and the enhanced possibilistic fuzzy c-means (EPFCM)
clustering algorithm is presented. EPFCM can still be sensitive to noise.
Therefore, we propose an interval type-2 enhanced possibilistic fuzzy c-means
(IT2EPFCM) clustering method by utilizing two fuzzifiers $(m_1, m_2)$ for fuzzy
memberships and two fuzzifiers $({\theta}_1, {\theta}_2)$ for possibilistic
typicalities. Our computational results show the superiority of the proposed
approaches compared with several state-of-the-art techniques in the literature.
Finally, the proposed methods are implemented for analyzing microarray gene
expression data.
- Abstract(参考訳): FCMとPCMのクラスタリング手法はパターン認識とデータクラスタリングに広く応用されている。
しかし、FCMはノイズに敏感であり、PCMは時折同期クラスタを生成する。
PFCMはFCMとPCMを組み合わせたPCMモデルの拡張であるが,PCMとFCMの弱点に悩まされている。
本稿では,PFCMアルゴリズムの弱点を修正し,EPFCMクラスタリングアルゴリズムの強化について述べる。
EPFCMは音に敏感である。
そこで本稿では, ファジィメンバシップに$(m_1, m_2)$, 2つのファジィメンバシップに$({\theta}_1, {\theta}_2)$の2つのファジイエータを有効利用して, ファジイリスティックなファジィc平均(IT2EPFCM)クラスタリング手法を提案する。
本研究の計算結果から,提案手法が文献の最先端技術と比較して優れていることを示す。
最後に,マイクロアレイ遺伝子発現データを解析するために提案手法を実装した。
関連論文リスト
- Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。
本稿では,FCMを用いたクラスタリングモデルを提案する。
論文 参考訳(メタデータ) (2024-05-22T08:15:50Z) - Accelerated Fuzzy C-Means Clustering Based on New Affinity Filtering and
Membership Scaling [74.85538972921917]
Fuzzy C-Means (FCM) は広く使われているクラスタリング手法である。
FCMはクラスタリングプロセスの中間から後期の段階で効率が低い。
新しいアフィニティフィルタとメンバシップスケーリング(AMFCM)に基づくFCMを提案する。
論文 参考訳(メタデータ) (2023-02-14T14:20:31Z) - Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。
第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。
その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文 参考訳(メタデータ) (2021-10-19T14:24:50Z) - Kernel learning approaches for summarising and combining posterior
similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。
我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文 参考訳(メタデータ) (2020-09-27T14:16:14Z) - Modified Possibilistic Fuzzy C-Means Algorithm for Clustering Incomplete
Data Sets [0.0]
PFCM(Possibilistic Fuzzy c-means)アルゴリズムは、クラスタリングのための2つの一般的なアルゴリズム、FCM(Fuzzy c-means)とPCM(Possibilistic c-means)の弱点を扱うために提案されている。
論文 参考訳(メタデータ) (2020-07-09T16:12:11Z) - A New Validity Index for Fuzzy-Possibilistic C-Means Clustering [6.174448419090291]
Fuzzy-Possibilistic (FP)指数は、形状や密度の異なるクラスターの存在下でうまく機能する。
FPCMはファジィの度合いと典型性の度合いを事前選択する必要がある。
論文 参考訳(メタデータ) (2020-05-19T01:48:13Z) - A Centroid Auto-Fused Hierarchical Fuzzy c-Means Clustering [30.709797128259236]
CAF-HFCM(Centroid Auto-Fused Hierarchical Fuzzy c-means Method)
本稿では,Centroid Auto-Fused Hierarchical Fuzzy c-means法(CAF-HFCM)を提案する。
CAF-HFCM法はFCMの様々な変種に容易に拡張できる。
論文 参考訳(メタデータ) (2020-04-27T12:59:22Z) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-04-13T04:17:30Z) - Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering
Incorporating Morphological Reconstruction and Wavelet Frames for Image
Segmentation [152.609322951917]
そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。
提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
論文 参考訳(メタデータ) (2020-02-21T05:19:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。