research centers


Search results: Found 3

Listing 1 - 3 of 3
Sort by

Article
Enhancing of DBSCAN based on Sampling and Density-based Separation

Authors: Safaa O. Al-mamory --- iqIsraa Saleh Kamil
Journal: Iraqi Journal for Computers and Informatics ijci المجلة العراقية للحاسبات والمعلوماتية ISSN: 2313190X 25204912 Year: 2016 Volume: 42 Issue: 1 Pages: 38-47
Publisher: University Of Informatics Technology And Communications جامعة تكنولوجيا المعلومات و الاتصالات

Loading...
Loading...
Abstract

DBSCAN (Density-Based Clustering of Applications with Noise )is one of the attractive algorithms among density-based clustering algorithms. It characterized by its ability to detect clusters of various sizes and shapes with the presence of noise, but its performance degrades when data have different densities .In this paper, we proposed a new technique to separate data based on its density with a new sampling technique , the purpose of these new techniques is for getting data with homogenous density .The experimental results on synthetic data and real world data show that the new technique enhanced the clustering of DBSCAN to large extent.

Keywords

DBSCAN --- Sampling --- Density-based --- Separation


Article
Proposed KDBSCAN Algorithm for Clustering
خوارزمية KDBSCAN المقترحة للتجميع

Authors: Yossra Hussein يسرى حسين --- Safa Abdel Jalil صفا عبد الجليل
Journal: Iraqi Journal of Science المجلة العراقية للعلوم ISSN: 00672904/23121637 Year: 2018 Volume: 59 Issue: 1A Pages: 173-178
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

Science, technology and many other fields are use clustering algorithm widely for many applications, this paper presents a new hybrid algorithm called KDBSCAN that work on improving k-mean algorithm and solve two of its problems, the first problem is number of cluster, when it`s must be entered by user, this problem solved by using DBSCAN algorithm for estimating number of cluster, and the second problem is randomly initial centroid problem that has been dealt with by choosing the centroid in steady method and removing randomly choosing for a better results, this work used DUC 2002 dataset to obtain the results of KDBSCAN algorithm, it`s work in many application fields such as electronics libraries, biology and marketing, the KDBSCAN algorithm that described in this paper has better results than traditional K-mean and DBSCAN algorithms in many aspects, its preform stable result with lower entropy.

العلوم والتكنولوجيا والعديد من المجالات الاخرى تستخدم خوارزميات التجميع بصورة كبيرة للعديد من التطبيقات, هذ البحث يقدم خوارزمية دمج جديدة تسمى KDBSCAN والتي تعمل على تطوير خوارزمية K-mean لحل اثنان من مشاكلها, المشكلة الاولى هو عدد المجاميع, والذي يجب ان يتم ادخاله عن طريق المستخدم, وتم حل هذه المشكلة عن طريق استخدام خوارزمية DBSCAN لتخمين عدد المجاميع, و المشكلة الثانية هو الاختيار العشوائي للمراكز, و الذي تم تعامل معهاعن طريق المراكز بطريقة ثابتة وازالة عشوائية الاختيار للحصول على نتائج افضل, تم العمل بأستخدام قاعدة بيانات DUC 2002 للحصول على النتائج خوارزمية KBSCAN, هي تعمل في تطبيقات متعددة مثلا المكتبات الالكترونية, علم البايولوجي و مراكز التسوق, خوارزمية KDBSCAN التي تم وصفها في هذا البحث لها نتائج احسن من الخوارزميتين K-mean التقليدية و DBSCAN في جوانب متعددة, حيث انها توفر نتائج ثابتة وعشوائية قليلة.

Keywords

clustering --- K-mean --- DBSCAN --- KDBSCAN.


Article
Data Partitioning Technique to Enhance DBSCAN Clustering Algorithm

Authors: Safaa O. Al-Mamory --- Esraa Saleh Kamil
Journal: Journal of University of Babylon مجلة جامعة بابل ISSN: 19920652 23128135 Year: 2017 Volume: 25 Issue: 2 Pages: 329-340
Publisher: Babylon University جامعة بابل

Loading...
Loading...
Abstract

Among density- based clustering techniques ,DBSCAN is a typical one because it can detect clusters with widely different shapes and sizes, but it fails to find clusters with different densities and for that we propose a new technique to enhance the performance of DBSCAN on data with different densities ,the new solution contains two novel tech¬niques ,one is the separation (partitioning ) technique that separate data into sparse and dense regions, and the other is the sampling technique that produce data with only one density distribution. the experimental results on synthetic data show that the new tech¬nique has a clustering

من بين تقنيات التجميع المعتمدة على الكثافة , تعتبر DBSCAN تقنية نموذجية لأنها تستطيع ايجاد مجموعات ذات احجام واشكال مختلفة , لكنها لا تستطيع ايجاد مجموعات ذات كثافات مختلفة ولهذا فقد اقترحنا تقنيه جديده لتحسين اداء DBSCAN مع البيانات ذات الكثافات المختلفة , الحل الجديد يتضمن تقنيتين جديدتين ,الأولى هي تقنية الفصل (التقسيم) التي تفصل البيانات الى مناطق متناثرة وكثيفة ,والأخرى هي تقنية أخذ عينات تنتج بيانات ذات توزيع كثافة واحد فقط . وقد اوضحت النتائج التجريبية على البيانات الاصطناعية أن التقنية الجديدة تمتلك نتيجة تجميع أفضل من تقنية تجميع DBSCAN .

Listing 1 - 3 of 3
Sort by
Narrow your search

Resource type

article (3)


Language

English (2)


Year
From To Submit

2018 (1)

2017 (1)

2016 (1)