Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Cluster Validation Analysis on Attribute Relative of Soft-Set Theory Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Framework of Clustering Based on Chicken Swarm Optimization

verfasst von : Nursyiva Irsalinda, Iwan Tri Riyadi Yanto, Haruna Chiroma, Tutut Herawan

Erschienen in: Recent Advances on Soft Computing and Data Mining

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Chicken Swarm Optimization (CSO) algorithm which is one of the most recently introduced optimization algorithms, simulates the intelligent foraging behaviour of chicken swarm. Data clustering is used in many disciplines and applications. It is an important tool and a descriptive task seeking to identify homogeneous groups of objects based on the values of their attributes. In this work, CSO is used for data clustering. The performance of the proposed CSO was assessed on several data sets and compared with well known and recent metaheuristic algorithm for clustering: Particle Swarm Optimization (PSO) algorithm, Cuckoo Search (CS) and Bee Colony Algorithm (BC). The simulation results indicate that CSO algorithm have much potential and can efficiently be used for data clustering.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Clustering Based on Classification Quality (CCQ)
Nächstes Kapitel Histogram Thresholding for Automatic Color Segmentation Based on k-means Clustering
Literatur
1.
Engelbrecht, A.P.: Sensitivity analysis of multilayer neural networks. Ph.D. thesis, Department of Computer Science, University of Stellenbosch, Stellenbosch, South Africa (1999)
2.
Fisher, D.: Knowledge acquisition via incremental conceptual clustering. Mach. Learn. 2, 139–172 (1987)CrossRef
3.
Potgieter, G.: Mining continuous classes using evolutionary computing. M. Sc. thesis, Department of Computer Science, University of Pretoria, Pretoria, South Africa (2002)
4.
Evangelou, I.E., Hadjimitsis, D.G., Lazakidou, A.A., Clayton, C.: Data mining and knowledge discovery in complex image data using artificial neural networks. In: Workshop on Complex Reasoning an Geographical Data, Cyprus (2001)
5.
Quinlan, J.R.: C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo (1993)
6.
Premalatha, K.: A new approach for data clustering based on PSO with local search. Comput. Inf. Sci. 1(4), 139–145 (2008)
7.
Rao, M.R.: Cluster analysis and mathematical programming. J. Am. Stat. Assoc. 22, 622–626 (1971)CrossRefMATH
8.
Lillesand, T., Keifer, R.: Remote Sensing and Image Interpretation. Wiley, Hoboken (1994)
9.
Meng, X., Liu, Yu., Gao, X., Zhang, H.: A new bio-inspired algorithm: chicken swarm optimization. In: Tan, Y., Shi, Y., Coello, C.C. (eds.) ICSI 2014. LNCS, vol. 8794, pp. 86–94. Springer, Heidelberg (2014). doi:10.​1007/​978-3-319-11857-4_​10CrossRef
10.
Yang, X.-S., He, X.: Bat algorithm: literature review and applications. Int. J. Bio-Inspired Comput. 5(3), 141–149 (2013)CrossRef
11.
12.
Davies, D.L., Bouldin, D.W.: A cluster separation measure. IEEE Trans. Pattern Anal. Mach. Intell. 1(2), 224–227 (1979)CrossRef
13.
Metadaten
Titel
A Framework of Clustering Based on Chicken Swarm Optimization
verfasst von
Nursyiva Irsalinda
Iwan Tri Riyadi Yanto
Haruna Chiroma
Tutut Herawan
Copyright-Jahr
2017
Buch
Recent Advances on Soft Computing and Data Mining

Print ISBN: 978-3-319-51279-2

Electronic ISBN: 978-3-319-51281-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-51281-5_34

Premium Partner

    Bildnachweise