19035

۱۹۰۳۵

بهبود بازيابي داده ها با استفاده از خوشه بندي تنك زيرفضا

كارشناسي ارشد

مخابرات سيستم

۱۳۹۴-۱۳۹۷

۱۳۹۷/۰۱/۲۸

دكتر محمد حسين كهائي

برف

بسياري از پيشرفت‌هاي دنياي امروز مبتني بر مشاهداتي است كه اگرچه به‌ظاهر داراي مجموعه داده‌اي با ابعاد بالاست اما داراي ابعاد ذاتي بسيار كوچك‌تر مي‌باشد. بنابراين به تقسيم‌بندي خوشه‌هاي داده به چند زيرفضا و پيدا كردن زيرفضاهاي با ابعاد پايين داده‌ نياز داريم. اين مسئله به‌عنوان خوشه‌بندي زيرفضاها شناخته مي‌شود. تحليل مبتني بر زيرفضا به‌عنوان روشي كارآمد براي خوشه‌بندي داده با ابعاد بالا گسترش‌يافته است. وجود هر تعاملي بين زيرفضاها و خوشه‌ها به اين صورت است كه هر داده معني‌داري، كاربر را به جست‌وجوي مجدد زيرفضاهايي وادار مي¬نمايد كه مي‌تواند نتايج خوشه‌بندي را بهبود بخشد. ازآنجايي‌كه تركيب ابعاد زيرفضاي اصلي هميشه براي يافتن زيرفضاي مورد انتظار، مؤثر نيست، بايستي به دنبال رهيافتي مؤثر براي خوشه‌بندي داده‌ها و بازيابي ابعاد جديد داده بود. در اين پايان‌نامه، ويژگي تنكي گروهي‌ و درون‌گروهي سيگنال‌ها موردتوجه قرار مي‌گيرد. ابتدا براي مجموعه سيگنال مورد‌نظر يك ديكشنري آموزش داده مي‌شود و سپس با در نظر گرفتن يك ترم جديد در تابع هدف كه بيانگر تنكي گروهي سيگنال مي‌باشد، تابع هدف جديدي تعريف مي‌شود و با استفاده از اين تابع هدف، بهبود قابل‌ملاحظه‌اي در نتايج حاصل مي‌گردد. همچنين با استفاده از اين رهيافت مي‌توان با دقت مناسبي داده‌هاي پرت را شناسايي و حذف كرد كه اين خود باعث مي‌شود كه داده‌هاي پرت باعث اختلالي در بازيابي داده‌ها نشوند. نتايج شبيه‌سازي‌ها نيز مؤيد اين مطلب است كه دقت بازيابي داده‌ها با استفاده از روش پيشنهادي در معيار ميانگين مجذور خطا، نسبت به الگوريتم استانداردLASSO بهبود يافته است. همچنين در اين پايان‌نامه روش جديدي براي انتخاب نقاط نماينده پيشنهاد مي‌دهيم كه براساس گروه‌هاي فعال سيگنال مشاهدات مي‌باشد و نشان داده مي‌شود كه با استفاده از اين روش پيشنهادي بهبود قابل‌ملاحظه‌اي در بازيابي داده‌ها صورت گرفته است.

1397/03/31

Data recovery improvement using sparse subspace clustering based on HiLASSO method

3/21/2022 12:00:00 AM