منابع

Bezdek JC, Ehrlich R, Full W (1984) FCM: الگوریتم خوشه بندی c-means فازی. Comput Geosci 10 (2): 191-203

Butler-Yeoman T, Xue B, Zhang M (2015) بهینه سازی ازدحام ذرات برای انتخاب ویژگی: یک رویکرد ترکیبی فیلتر-پوشش. در: کنگره IEEE در محاسبات تکاملی (CEC)، صفحات 2428-2435

Cai D, Zhang C, He X (2010) انتخاب ویژگی بدون نظارت برای داده های چند خوشه ای. در: مجموعه مقالات شانزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، KDD’10. ACM، نیویورک، نیویورک، ایالات متحده آمریکا، صفحات 333-342

Calinski R، Harabasz J (1974) یک روش دندریت برای تجزیه و تحلیل خوشه ای. روش‌های نظریه آمار کمون 3(1): 1-27

چاکرابورتی اس، داس اس (2018) وزن‌دهی متغیر همزمان و تعیین تعداد خوشه‌ها - الگوریتم گاوسی وزن‌دار. Stat Probab Lett 137:148-156

Chan EY، Ching WK، Ng MK، Huang JZ (2004) یک الگوریتم بهینه‌سازی برای خوشه‌بندی با استفاده از معیارهای عدم تشابه وزنی. Pattern Recognit 37(5):943-952

Chatzis SP (2011) یک الگوریتم فازی c-means-type برای خوشه‌بندی داده‌ها با ویژگی‌های عددی و مقوله‌ای مختلط با استفاده از یک تابع عدم تشابه احتمالی. Expert Syst Appl 38(7):8684-8689

Cheung Y، Zeng H (2006) رقیب با وزن ویژگی، آنها را برای خوشه‌بندی مخلوط گاوسی جریمه کرد: ویژگی‌های خودکار و انتخاب مدل در یک پارادایم واحد. Int Conf Comput Intel Secur 1:633-638

Cobos C، Leon E، Mendoza M (2010) یک الگوریتم جستجوی هماهنگی برای خوشه بندی با انتخاب ویژگی. Rev Fac Ing Univ Antioq 55:153-164

Das S, Chaudhuri S, Ghatak S, Das AK (2016) انتخاب همزمان ویژگی و تجزیه و تحلیل خوشه با استفاده از الگوریتم ژنتیک. در: کنفرانس بین المللی فناوری اطلاعات (ICIT2016)، صفحات 288-293

داش ام، لیو اچ (1999) مدیریت داده های بزرگ بدون نظارت از طریق کاهش ابعاد. در: کارگاه مسائل تحقیقاتی SIGMOD در داده کاوی و کشف دانش (DMKD-99).

Dash M, Liu H (2000) انتخاب ویژگی برای خوشه بندی. در: Terano T، Liu H، Chen ALP (ویرایشگران) کشف دانش و داده کاوی. مسائل جاری و برنامه های کاربردی جدید، صفحات 110-121

Davies DL، Bouldin DW (1979) اندازه گیری جداسازی خوشه ای. IEEE Trans Pattern Anal Mach Intell 1(2):224-227

de Amorim RC (2016) نظرسنجی در مورد الگوریتم‌های k-means مبتنی بر وزن‌دهی ویژگی‌ها. J Classif 33 (2): 210-242

DeSarbo WS، Cron WL (1988) روش شناسی حداکثر درستنمایی برای رگرسیون خطی خوشه ای. J Classif 5 (2): 249-282

Deb K, Pratap A, Agarwal S, Meyarivan T (2002) الگوریتم ژنتیک چندهدفه سریع و نخبه: NSGA-II. IEEE Trans Evol Comput 6(2):182-197

Dheeru D, Karra Taniskidou E (2017) مخزن یادگیری ماشین UCI. http://archive. ics. uci. edu/ml

Domeniconi C، Papadopoulos D، Gunopulos D، Ma S (2004) خوشه بندی زیرفضای داده های با ابعاد بالا. در: کنفرانس بین المللی سیام در مورد داده کاوی

Domeniconi C, Gunopulos D, Ma S, Yan B, Al-Razgan M, Papadopoulos D (2007) معیارهای تطبیقی محلی برای خوشه بندی داده های با ابعاد بالا. Data Min Knowl Discov 14(1):63-97

Dorigo M, Di Caro G (1999) بهینه سازی کلونی مورچه ها: یک فراابتکاری جدید. Proc Congr Evol Compu 2:1470-1477

Du S, Ma Y, Li S, Ma Y (2017) انتخاب ویژگی های بدون نظارت قوی از طریق فاکتورسازی ماتریس. محاسبات عصبی 241:115-127

Dutta D, Dutta P, Sil J (2012) انتخاب ویژگی و خوشه بندی همزمان برای ویژگی های طبقه بندی با استفاده از الگوریتم ژنتیک چند هدفه. در: دوازدهمین کنفرانس بین المللی سیستم های هوشمند هیبریدی (HIS2012)، صفحات 191-196

Dutta D, Dutta P, Sil J (2013) انتخاب ویژگی پیوسته همزمان و خوشه بندی k توسط الگوریتم ژنتیک چند هدفه. در: سومین کنفرانس بین المللی محاسبات پیشرفته IEEE (IACC2013)، صفحات 937-942

Dy JG، Brodley CE (2004) انتخاب ویژگی برای یادگیری بدون نظارت. J Mach Learn Res 5:845-889

Ester M, Kriegel HP, Sander J, Xu X (1996) یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها در پایگاه داده های فضایی بزرگ با نویز. در: مجموعه مقالات دومین کنفرانس بین المللی کشف دانش و داده کاوی، KDD’96، صفحات 226-231

Fan W، Bouguila N، Ziou D (2013) انتخاب استخراج ویژگی ترکیبی بدون نظارت برای خوشه‌بندی داده‌های غیرگاوسی با ابعاد بالا با استنتاج متغیر. IEEE Trans Knowl Data Eng 25(7):1670-1685

Ferreira AJ، Figueiredo MA (2012) رویکردی بدون نظارت برای گسسته سازی و انتخاب ویژگی. Pattern Recognit 45(9):3048-3060

Fop M، Murphy TB، Scrucca L (2018) خوشه‌بندی مبتنی بر مدل با ماتریس‌های کوواریانس پراکنده. آمار محاسبه 39:1-29

Gao D, Liang H, Shi G, Cao L (2019) بهینه سازی چند هدفه سپر کامپوزیتی پلاستیکی تقویت شده با فیبر کربن بر اساس الگوریتم ژنتیک تطبیقی. مهندسی مسائل ریاضیhttps://doi. org/10. 1155/2019/8948315

Golub GH، Reinsch C (1970) تجزیه مقدار منفرد و راه حل های حداقل مربعات. ریاضی عدد 14 (5): 403-420

Grün B (2019) خوشه‌بندی مبتنی بر مدل. CRC Press, Boca Raton, pp 163-198

Guha S, Rastogi R, Shim K (1998) Cure: یک الگوریتم خوشه بندی کارآمد برای پایگاه های داده بزرگ. SIGMOD Rec 27(2):73-84

Guha S، Rastogi R، Kyuseok S (1999) راک: یک الگوریتم خوشه بندی قوی برای ویژگی های طبقه بندی شده. در: پانزدهمین کنفرانس بین المللی مهندسی داده، 1999. مجموعه مقالات، صفحات 512–521

Haindl M, Somol P, Ververidis D, Kotropoulos C (2006) انتخاب ویژگی بر اساس همبستگی متقابل. در: Carrasco Ochoa JA، Kittler J، Martínez-Trinidad JF (eds) پیشرفت در تشخیص الگو، تجزیه و تحلیل تصویر و کاربردها. اسپرینگر، برلین، صص 569-577

Hancer E (2019) تکامل دیفرانسیل برای انتخاب ویژگی: رویکرد لفاف-فیلتر فازی. Soft Comput 23(13):5233-5248

Hancer E (2020) یک رویکرد تکامل دیفرانسیل چند هدفه جدید برای خوشه بندی و انتخاب ویژگی همزمان. Eng Appl Artif Intel 87:103307

Hancer E، Karaboga D (2017) یک بررسی جامع از رویکردهای سنتی، ادغام-شکاف و تکاملی پیشنهاد شده برای تعیین تعداد خوشه. Swarm Evol Comput 32:49-67

Hancer E, Xue B, Zhang M (2018) تکامل دیفرانسیل برای انتخاب ویژگی فیلتر بر اساس نظریه اطلاعات و رتبه بندی ویژگی. سیستم مبتنی بر دانش 140:103-119

Hancer E (2018) یک رویکرد تکامل دیفرانسیل برای خوشه بندی و انتخاب ویژگی همزمان. در: کنفرانس بین المللی هوش مصنوعی و پردازش داده ها، صفحات 1-7

Hancer E, Ozturk C, Karaboga D (2012) روش خوشه‌بندی تصویر مبتنی بر کلونی زنبورهای مصنوعی. در: کنگره IEEE در محاسبات تکاملی (CEC2012)، صفحات 1-5

Hancer E، Ozturk C، Karaboga D (2013) استخراج تومورهای مغزی از تصاویر MRI با روش تقسیم بندی مبتنی بر کلونی زنبورهای مصنوعی. در: هشتمین کنفرانس بین المللی مهندسی برق و الکترونیک (ELECO2013)، صفحات 516–520

Hancer E, Samet R, Karaboga D (2014) یک روش ترکیبی برای بازسازی خطوط کانتور از نقشه های توپوگرافی اسکن شده. در: IEEE بیست و سومین سمپوزیوم بین المللی در الکترونیک صنعتی (ISIE2014)، صفحات 930-933

He X, Cai D, Niyogi P (2005) امتیاز لاپلاسی برای انتخاب ویژگی. در: مجموعه مقالات هجدهمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی، NIPS’05. مطبوعات MIT، کمبریج، MA، ایالات متحده آمریکا، صفحات 507-514

Hinneburg A, Gabriel HH (2007) Denclue 2. 0: خوشه بندی سریع بر اساس تخمین چگالی هسته. در: Shawe-Taylor MRBJ, Lavrač N (eds) Advances in smart data analysis VII, pp 70-80

هلند JH (1975) سازگاری در سیستم های طبیعی و مصنوعی. انتشارات دانشگاه میشیگان، آن آربور

Hruschka ER ، Campello RJGB ، Freitas AA ، De Carvalho ACPLF (2009) بررسی الگوریتم های تکاملی برای خوشه بندی. IEEE Trans Syst Man Cybern Part C Appl Rev 39 (2): 133-155

Hruschka ER ، Hruschka ER ، Covoes TF ، Ebecken NFF (2005) انتخاب ویژگی برای مشکلات خوشه بندی: یک الگوریتم ترکیبی که بین K-Means و یک فیلتر بیزی تکرار می شود. در: پنجمین کنفرانس بین المللی سیستم های هوشمند ترکیبی (05) ، صص 1-6

Huang JZ ، Ng MK ، Rong H ، Li Z (2005) وزن متغیر خودکار در خوشه بندی نوع K-. IEEE Trans Pattern Mach Mach Inticle 27 (5): 657-668

Jain AK ، Murty MN ، Flynn PJ (1999) خوشه بندی داده ها: یک بررسی. ACM Comput Surv 31 (3): 264-323

Jashki MA ، Makki M ، Bagheri E ، Ghorbani AA (2009) یک رویکرد تکراری فیلتر ترکیبی برای انتخاب ویژگی برای خوشه بندی اسناد. در: Gao Y ، Japkowicz N (eds) پیشرفت در هوش مصنوعی. اسپرینگر ، برلین ، صص 74-85

Javani M ، Faez K ، Aghlmandi D (2011) خوشه بندی و انتخاب ویژگی از طریق الگوریتم PSO. در: سمپوزیوم بین المللی در مورد هوش مصنوعی و پردازش سیگنال (AISP) ، صص 71-76

Ji J ، Bai T ، Zhou C ، Ma C ، Wang Z (2013) الگوریتم خوشه بندی k-prototypes بهبود یافته برای داده های عددی و طبقه بندی شده مخلوط. Neurocomputing 120: 590-596

Jing L ، Ng MK ، Huang JZ (2007) الگوریتم K-Means با وزن آنتروپی برای خوشه بندی زیر فضای داده های پراکنده با ابعاد بالا. IEEE Trans Knowl Data Eng 19 (8): 1026-1041

Jolliffe I (1986) تجزیه و تحلیل مؤلفه اصلی. اسپرینگر ، برلین

Karaboga D ، Gorkemli B ، Ozturk C ، Karaboga N (2014) یک نظرسنجی جامع: الگوریتم و برنامه های ABC کلونی Bee. Artif Intll Rev 42 (1): 21-57

Kennedy J ، Eberhart R (1995) بهینه سازی SWARM ذرات. در: مجموعه مقالات کنفرانس بین المللی شبکه های عصبی (ICNN 95) ، جلد 4 ، صص 1942-1948

Kim Y ، Street WN ، Menczer F (2002) انتخاب مدل تکاملی در یادگیری بدون نظارت. داده های Intell Anal 6 (6): 531-556

انتخاب متغیر Kim S ، Tadesse MG ، Vannucci M (2006) در خوشه بندی از طریق مدل های مخلوط فرآیند Dirichlet. Biometrika 93 (4): 877-893

Koza Jr (1992) برنامه نویسی ژنتیکی: در مورد برنامه نویسی رایانه ها با استفاده از انتخاب طبیعی. MIT Press ، کمبریج

لی Y ، Choi TJ ، Ahn CW (2017) رویکرد تکاملی چند هدف برای انتخاب راه حل های امنیتی. CAAI Trans Insticle Technol 2 (2): 64-67

Lensen A, Xue B, Zhang M (2017) با استفاده از بهینه‌سازی ازدحام ذرات و متریک silhouette برای تخمین تعداد خوشه‌ها، انتخاب ویژگی‌ها و انجام خوشه‌بندی. در: Squillero G، Sim K (eds) کاربردهای محاسبات تکاملی. اسپرینگر، برلین، ص 538-554

Lensen A, Xue B, Zhang M (2016) نمایش بهینه سازی ازدحام ذرات برای خوشه بندی و انتخاب ویژگی همزمان. در: سری سمپوزیوم IEEE در مورد هوش محاسباتی (SSCI)

Li Y, Dong M, Hua J (2008) انتخاب ویژگی محلی برای خوشه بندی. Pattern Recognit Lett 29(1):10-18

Li Y, Lu BL, Wu ZF (2007) روش فیلتر فازی سلسله مراتبی برای انتخاب ویژگی بدون نظارت. J Intell Fuzzy Syst 18(2):157-169

Li J, Cheng K, Wang S, Morstatter F, Trevino RP, Tang J, Liu H (2016) انتخاب ویژگی: دیدگاه داده. CoRR abs/1601. 07996

Li Z, Yang Y, Liu J, Zhou X, Lu H (2012) انتخاب ویژگی بدون نظارت با استفاده از تحلیل طیفی غیرمنفی. در: مجموعه مقالات بیست و ششمین کنفرانس AAAI در مورد هوش مصنوعی، AAAI'12. مطبوعات AAAI، صفحات 1026-1032

لیو اف، لیو ایکس (2012) انتخاب ویژگی بدون نظارت برای داده های چند خوشه ای از طریق امتیاز توزیع شده صاف. در: Huang DS، Gupta P، Zhang X، Premaratne P (ویرایشگران) فناوری و برنامه‌های محاسباتی هوشمند در حال ظهور. اسپرینگر، برلین، ص 74-79

Liu H، Yu L (2005) به سوی یکپارچه سازی الگوریتم های انتخاب ویژگی برای طبقه بندی و خوشه بندی. IEEE Trans Knowl Data Eng 17(4):491-502

Macqueen J (1967) برخی روشها برای طبقه بندی و تجزیه و تحلیل مشاهدات چند متغیره. در: پنجمین سمپوزیوم برکلی در مورد آمار و احتمالات ریاضی، صفحات 281-297

Mao KZ (2005) شناسایی متغیرهای حیاتی اجزای اصلی برای انتخاب ویژگی بدون نظارت. IEEE Trans Syst Man Cybern Part B (Cybern) 35(2):339–344

Maugis C، Celeux G، Martin-Magniette ML (2005) انتخاب متغیر برای خوشه‌بندی با مدل‌های مخلوط گاوسی. بیومتریک 65 (3): 602-617

McLachlan GJ، Krishnan T (2008) الگوریتم EM و پسوند (سری Wiley در احتمال و آمار)، ویرایش دوم. وایلی، هوبوکن

Miruthula P، Roopa SN (2015) الگوریتم های انتخاب ویژگی بدون نظارت: یک نظرسنجی. Int J Sci Res 4 (6): 688-690

Mitra P, Murthy CA, Pal SK (2002) انتخاب ویژگی بدون نظارت با استفاده از شباهت ویژگی. IEEE Trans Pattern Anal Mach Intell 24(3):301-312

Modha DS، Spangler WS (2003) وزن‌دهی ویژگی در خوشه‌بندی k-means. Mach Learn 52(3):217–237

بررسی Mugunthadevi K ، Punitha SC ، Punithavalli M ، Mugunthadevi K (2011) در مورد انتخاب ویژگی در خوشه بندی اسناد. Int J Comput Sci Eng 3: 1240–1241

Nie F ، Xiang S ، Jia Y ، Zhang C ، Yan S (2008) معیار نسبت ردیابی برای انتخاب ویژگی. جلد 2 ، صص 671-676

Ozturk C ، Hancer E ، Karaboga D (2015) معیار خوشه بندی بهبود یافته برای خوشه بندی تصویر با الگوریتم کلونی زنبور مصنوعی. الگوی Anal Appl 18 (3): 587-599

Pal Sk ، de RK ، Basak J (2000) ارزیابی ویژگی های بدون نظارت: یک رویکرد عصبی-فازی. IEEE Trans Neural netw 11 (2): 366-376

Parsons L ، Haque E ، Liu H (2004) خوشه بندی زیر فضای برای داده های ابعادی بالا: یک بررسی. Sigkdd Explor Newsl 6 (1): 90-105

Parvin H ، Beigi A ، Mozayani N (2012) یک روش یادگیری گروه خوشه بندی بر اساس الگوریتم خوشه بندی کلونی مورچه. Appl Comput Math 11: 286-302

Parvin H ، Minaei-Bidgoli B (2013) یک چارچوب گروه خوشه بندی بر اساس انتخاب نخبه از خوشه های وزنی. ADV Data Anal Anal Classif 7 (2): 181-208

Parvin H ، Minaei-Bidgoli B (2015) یک چارچوب گروه خوشه بندی بر اساس انتخاب خوشه های وزنی فازی در یک الگوریتم خوشه بندی محلی سازگار. الگوی Anal Appl 18 (1): 87–112

Patnaik AK ، Bhuyan PK ، Rao KK (2016) تجزیه و تحلیل تقسیم کننده (دیانا) از خوشه بندی سلسله مراتبی و داده های GPS برای سطح معیارهای خدمات خیابان های شهری. Alex Eng J 55 (1): 407-418

Polak Rge (1969) Note Sur La Convergence de Méthodes de Directions Conjuguées. ESAIM 3 (R1): 35-43

Prakash J ، Singh PK (2019) الگوریتم جستجوی گرانشی و K-Means برای انتخاب همزمان ویژگی ها و خوشه بندی داده ها: یک رویکرد چند هدف. Comput 23 (6): 2083–2100

Prakash J ، Singh PK (2015) بهینه سازی swarm ذرات با K-Means برای انتخاب ویژگی همزمان و خوشه بندی داده ها. در: دومین کنفرانس بین المللی محاسبات نرم و هوش دستگاه (ISCMI2015) ، صص 74-78

Qian M ، Zhai C (2013) انتخاب ویژگی های بدون نظارت قوی. در: مجموعه مقالات بیست و سومین کنفرانس مشترک بین المللی در مورد هوش مصنوعی ، IJCAI 13 ، صص 1621-1627

Raftery AE ، Dean N (2006) انتخاب متغیر برای خوشه بندی مبتنی بر مدل. J Am Stat Assoc 101 (473): 168–178

Rousseeuw PJ (1987) silhouettes: کمک گرافیکی به تفسیر و اعتبارسنجی تجزیه و تحلیل خوشه ای. J Comput Appl Math 20: 53-65

Rui X ، Wunsch ID (2005) بررسی الگوریتم های خوشه بندی. IEEE Trans Neural netw 16 (3): 645-678

Saha S ، Acharya S ، Kavya K ، Miriyala S (2018) خوشه بندی همزمان و وزن با استفاده از بهینه سازی چند منظوره برای شناسایی miRNA های عملکردی مشابه. IEEE J Biomed Health Inform 22 (5): 1684-1690

Saha S ، Ekbal A ، Alok A ، Spandana R (2014) انتخاب ویژگی و خوشه بندی نیمه تحت نظارت با استفاده از بهینه سازی چند منظوره. Springerplus 3: 465

Saha S ، Spandana R ، Ekbal A ، Bandyopadhyay S (2015) انتخاب همزمان ویژگی و خوشه بندی مبتنی بر تقارن با استفاده از چارچوب چند منظوره. Apple Soft Comput 29: 479-486

Samet R ، Hancer E (2012) یک رویکرد جدید برای بازسازی خطوط کانتور استخراج شده از نقشه های توپوگرافی. J Vis Commun Image 23 (4) را نشان می دهد: 642-647

Sarvari H ، Khairdoost N ، Fetanat A (2010) الگوریتم جستجوی هارمونی برای خوشه بندی همزمان و انتخاب ویژگی. در: کنفرانس بین المللی محاسبات نرم و تشخیص الگوی ، صص 202-207

Sheng W ، Swift S ، Zhang L ، Liu X (2005) یک تابع اعتبار SUM برای خوشه بندی با یک الگوریتم ژنتیکی سوزن ترکیبی. IEEE Trans Syst Man Cybern B Cybern 35 (6): 1156–1167

Solorio-Fernández S ، Carrasco-Ochoa JA ، Martínez-Trinidad JF (2016) یک روش جدید انتخاب ویژگی فیلتر ترکیبی ترکیبی برای خوشه بندی بر اساس رتبه بندی. Neurocomputing 214: 866-880

Solorio-Fernández S ، Carrasco-Ochoa JA ، Martínez-Trinidad JF (2019) بررسی روشهای انتخاب ویژگی های بدون نظارت. Artif Intell Rev. https://doi. org/10. 1007/s10462-019-09682-

Song M ، Chen D (2018) یک NSGA-II آگاه از دانش آگاه برای تخصیص زمین چند هدف (MOLA) بهبود یافته است. Geo Spat Inf Sci 21 (4): 273–287

Storn R ، Price K (1997) تکامل دیفرانسیل - یک اکتشافی ساده و کارآمد برای بهینه سازی جهانی در فضاهای مداوم. J Glob Optim 11 (4): 341-359

Swetha KP ، Susheela Devi V (2012) انتخاب ویژگی همزمان و خوشه بندی با استفاده از بهینه سازی swarm ذرات. در: مجموعه مقالات نوزدهمین کنفرانس بین المللی پردازش اطلاعات عصبی - قسمت اول ، نماد 12. اسپرینگر ، برلین ، ص 509-515

Tadesse MG ، Sha N ، Vannucci M (2005) انتخاب متغیر بیزی در خوشه بندی داده های با ابعاد بالا. J Am Stat Assoc 100 (470): 602-617

Tsai CY ، Chiu CC (2008) در حال توسعه یک مکانیسم تنظیم خود تنظیم وزن برای یک الگوریتم خوشه بندی K-Mean. داده های آمار محاسبات مقعد 52 (10): 4658-4672

Turi R (2001) تقسیم بندی تصویر رنگی مبتنی بر خوشه بندی. پایان نامه دکتری ، دانشگاه موناش ، استرالیا

Vaithyanathan S ، Dom B (1999) انتخاب مدل تعمیم یافته برای یادگیری بدون نظارت در ابعاد بالا. در: مجموعه مقالات دوازدهمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی ، NIPS99. MIT Press ، کمبریج ، MA ، ایالات متحده ، صص 970-976

Vandenbroucke N ، Macaire L ، Postaire JG (2000) استخراج و انتخاب بافت رنگ بدون نظارت و انتخاب برای تقسیم تصویر فوتبال. جلد 2

Wang H ، Jing X ، Niu B (2017) یک الگوریتم باکتریایی گسسته برای انتخاب ویژگی در طبقه بندی داده های سرطان بیان ژن ریزآرایی. دانش مبتنی بر Syst 126: 8-19

Wang H ، Yan S ، Xu D ، Tang X ، Huang T (2007) نسبت ردیابی در مقابل نسبت نسبت برای کاهش ابعاد. در: کنفرانس IEEE در مورد چشم انداز رایانه و تشخیص الگوی ، صص 1-8

Wang L ، Shen H (2016) طبقه بندی جریان داده ها را با انتخاب ویژگی های بدون نظارت سریع بهبود بخشید. در: هفدهمین کنفرانس بین المللی محاسبات موازی و توزیع شده ، برنامه ها و فناوری ها (PDCAT) ، صص 221-226

Xie XL ، Beni G (1991) اندازه گیری اعتبار برای خوشه بندی فازی. IEEE Trans Pattern Mach Mach Intll 13 (8): 841-847

Xue B (2014) بهینه سازی SWARM ذرات برای انتخاب ویژگی. پایان نامه دکترا ، دانشگاه ویکتوریا ولینگتون ، ولینگتون ، نیوزیلند

Yang Y ، Shen HT ، Ma Z ، Huang Z ، Zhou X (2011) انتخاب ویژگی های تبعیض آمیز منظم L2،1-NORM برای یادگیری بدون نظارت. در: مجموعه مقالات کنفرانس مشترک بین المللی بیست و دوم در مورد هوش مصنوعی ، جلد 3 ، IJCAI 11. AAAI Press ، صص 1589-1594

Ye J (2007) حداقل مربعات تجزیه و تحلیل تبعیض آمیز خطی. در: مجموعه مقالات بیست و چهارمین کنفرانس بین المللی یادگیری ماشین ، ICML07. ACM ، نیویورک ، نیویورک ، ایالات متحده ، صص 1087-1093

Yun L ، Bao-Liang L ، Zhong-Fu W (2006) یک روش ترکیبی از انتخاب ویژگی های بدون نظارت بر اساس رتبه بندی. در: هجدهمین کنفرانس بین المللی به رسمیت شناختن الگوی (ICPR 06) ، جلد 2 ، صص 687-690

Zhang T ، Ramakrishnan R ، Livny M (1997) Birch: یک الگوریتم جدید خوشه بندی داده ها و کاربردهای آن. Data Min Knowl Discov 1 (2): 141-182

Zhang S ، Wong H ، Shen Y ، Xie D (2012) یک روش جدید رتبه بندی ویژگی بدون نظارت برای داده های بیان ژن بر اساس میل اجماع. IEEE/ACM Trans Comput Biol Bioinf 9 (4): 1257–1263

Zhao X ، Xu G ، Liu D ، Zuo X (2017) الگوریتم مرتبه دوم. CAAI Trans Insticle Technol 2 (2): 80-92

Zhao Z ، Liu H (2007) انتخاب ویژگی های طیفی برای یادگیری تحت نظارت و بدون نظارت. در: مجموعه مقالات بیست و چهارمین کنفرانس بین المللی یادگیری ماشین ، ICML07. ACM ، نیویورک ، نیویورک ، ایالات متحده ، صص 1151–1157

Zhao Z، Wang L، Liu H (2010) انتخاب ویژگی طیفی کارآمد با حداقل افزونگی. در: مجموعه مقالات بیست و چهارمین کنفرانس AAAI در مورد هوش مصنوعی، AAAI'10، صفحات 673-678

Zhu QH، Yang YB (2018) انتخاب ویژگی بدون نظارت تعبیه شده تبعیض آمیز. Pattern Recognit Lett 112:219-225

اطلاعات نویسنده

نویسندگان و وابستگی ها

گروه فناوری رایانه و سیستم‌های اطلاعاتی، دانشگاه مهمت آکیف ارسوی، بوردور، ترکیه

گروه تحقیقاتی محاسبات تکاملی، دانشکده مهندسی و علوم کامپیوتر، دانشگاه ویکتوریا ولینگتون، ولینگتون، نیوزلند