Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/7294
DC FieldValueLanguage
dc.contributor.advisor陶金旭zh_TW
dc.contributor.author葉佳威zh_TW
dc.contributor.authoryeh, gai-weien_US
dc.date2005zh_TW
dc.date.accessioned2014-06-06T06:39:52Z-
dc.date.available2014-06-06T06:39:52Z-
dc.identifier.urihttp://hdl.handle.net/11455/7294-
dc.description.abstract本文提出了不同的群集分析方法的應用和不同領域中進行群集分析的流程。本文一開始回顧了一些較常用的群集演算法,包括了階層式群集演算法和分割式群集演算法,其中分割式群集演算法包括有模糊均值演算法,可能性均值演算法。接下來,我們介紹一個最近提出的強健性演算法叫相似度演算法,這個演算法將會表現出強健性的特性。 群集演算法的應用主要包括兩個部分,微陣列的分析和影像分割。微陣列分析包括如何對資料進行預處理,如何使用四種不同的群集演算法進行群集分析包括階層式演算法,模糊均值演算法,可能性均值演算法,相似度演算法等。並且比較不同的預處理方法和不同的群集分析的方法。影像分割包括不同特徵向量的使用,群集分析,二值化,後處理和偵測出影像邊界。 本文最後我們提出群集分析未來的發展方向,並對不同領域的群集分析提出不同的建議,以期能夠增進群集分析的效能和優點。zh_TW
dc.description.abstractThis research presents the application of different clustering methods and the procedure of each application in clustering analysis. The research first previews some common clustering algorithm such as hierarchical clustering methods and partitional clustering methods which include FCM and PCM. Also, we have introduced a recently presented robust clustering method, named similarity-based clustering method. This clustering method will show majority of robustness. The application in clustering methods includes two aspects: microarray analysis and image segmentation. The microarray analysis shows how to preprocess the data, how to use clustering analysis as following four clustering methods: FCM, PCM, and SCM. Furthermore, it compares different preprocessing methods and different clustering methods. The image segmentation includes usage of different feature vectors, clustering analysis, binary, post processing, and lastly the edge detection of the binary image. Finally, we will make recommendations on the future of the clustering techniques, and provide different suggestions on clustering analysis in different applications, wishing to improve the efficiency and increase advantages.en_US
dc.description.tableofcontents目錄 中文摘要 i Abstract ii 目錄 iv 圖目錄 viii 表目錄 xi 第一章 緒論 1 1.1 動機與目的 1 1.2 文獻回顧 2 1.3 微陣列分析 2 1.4 影像分割 3 1.5 論文架構 4 第二章群集演算法介紹 5 2.1 導論 5 2.2 相似度的選擇 5 2.3 階層式演算法 6 2.4分割式演算法 8 2.4.1 模糊均值演算法(FCM) 8 2.4.2 可能性均值演算法(PCM) 10 2.5 相似度群集演算法 11 2.6相似度群集演算法流程 12 2.6.1 相關度比較演算法 15 2.6.2 類似群集演算法 19 2.6.3凝聚式階層群集演算法 21 2.6.4強健性說明 22 第三章 微陣列 24 3.1 導論 24 3.2 預處理 25 3.2.1正規化 25 3.2.2重新刻度 26 3.2.3正規化後做重新刻度 28 3.3 群集分析 28 3.3.1階層群集演算法 28 3.3.2相似度群集演算法 31 3.3.3模糊均值演算法 33 3.3.4可能性均值演算法 33 3.4 實驗結果 34 3.4.1不同的預處理的比較 34 3.4.2 四種不同群集分析的比較 35 3.5 實驗結果探討 35 第四章 影像分割 39 4.1 導論 39 4.2 特徵向量簡介 39 4.2.1 RGB 空間 40 4.2.2 HS 空間 40 4.2.3 HS 空間分割 40 4.2.4 紋理特徵 41 4.2.5 HS 空間分割與紋理特徵合併 41 4.3 實驗流程 41 4.4 實驗結果 44 4.4.1不同特徵向量的結果 44 4.4.2模糊均值演算法實驗結果 45 4.4.3 類別數目探討 45 4.5 實驗結果探討 47 第五章未來展望 63 參考文獻 64zh_TW
dc.language.isoen_USzh_TW
dc.publisher電機工程學系zh_TW
dc.subjectclustering analysisen_US
dc.subject群集分析zh_TW
dc.subjectmicroarrayen_US
dc.subjectImage segmentationen_US
dc.subject微陣列zh_TW
dc.subject影像分割zh_TW
dc.title群集技術在影像分割及資料分析上的應用zh_TW
dc.titleImage segmentation and data analysis using clustering techniquesen_US
dc.typeThesis and Dissertationzh_TW
item.fulltextno fulltext-
item.languageiso639-1en_US-
item.openairetypeThesis and Dissertation-
item.cerifentitytypePublications-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextnone-
Appears in Collections:電機工程學系所
Show simple item record
 
TAIR Related Article

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.