A New Semi-supervised Classification Method Based on Mixture Model Clustering for Classification of Multispectral Data

Gogebakan, Maruf; Erol, Hamza

doi:10.1007/s12524-018-0808-9

Cited by 10 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finite mixture models in a grid structure based on the number of components are obtained from multivariate Gaussian mixture distributions. Among the mixture models obtained according to the determined cases, the best models are selected based on information criteria [22].…”

Section: Introductionmentioning

confidence: 99%

A Novel Approach for Gaussian Mixture Model Clustering Based on Soft Computing Method

Gogebakan¹

2021

IEEE Access

Self Cite

View full text Add to dashboard Cite

Section: Introductionmentioning

confidence: 99%

A Novel Approach for Gaussian Mixture Model Clustering Based on Soft Computing Method

Gogebakan¹

2021

IEEE Access

Self Cite

View full text Add to dashboard Cite

“…Ancak bu stratejide kümelerin sayısının üst sınırının belirlenmesi için güçlü bir yöntem geliştirilememiştir. Verilerdeki heterojenliğe dayalı küme sayısının belirlenmesi için EM algoritmaları ile k-ortalamalar algoritmaları kullanılarak tek değişkenli normal karma dağılımlar kullanılabilir [9]. Veri için en iyi kümelenme modeli Akaike Bilgi Kriteri (AIC) [10] ve Bayesçi Bilgi Kriteri (BIC) [11] gibi iyi bilinen bilgi kriterleri kullanılarak optimizasyon ile belirlenir.…”

Section: Introductionunclassified

Gauss Karma Modellerin Özellikleri ve Modele Dayalı Kümeleme

Gögebakan

2020

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

ÖzBu çalışmada çok değişkenli verideki homojenlik ve heterojenlik durumları incelenmiş ve heterojen değişkenler belirlenmiştir. Değişkenlerdeki parçalanmaların (heterojenlik) normal karma dağılımlardaki bileşenlere denk geldiği gösterilmiş ve alt grup sayıları belirlenmiştir. k-ortalamalar (k-means) algoritması ile değişkenlerdeki parçalanmalara atanan gözlemler belirlenmiş ve veri gruplandırma yapılmıştır. Değişkenlerdeki her bir parçalanmanın Gauss Karma Modeldeki (GMM) bir kümelenmeye karşılık geldiği varsayımı altında muhtemel küme sayıları ve küme sayıları için aralık elde edilmiş ve küme sayılarına bağlı olarak model sayıları belirlenmiştir. Parçalanma (bileşen) sayısına bağlı model sayıları Genetik Algoritmalarla (GA) belirlenmiş ve En Çok Olabilirlik Kestirimi (MLE) algoritması ile parametreler tahmin edilmiştir. Modele dayalı kümeleme yöntemi ile Gauss Karma Modeller arasından veri yapısına uyan en iyi modelin seçimi log-olabilirlik, AIC ve BIC gibi bilgi kriterleri ile belirlenmiştir.Anahtar kelimeler: Gauss karma model, değişken veri parçalama, genetik algoritmalar, modele dayalı kümeleme, bilgi kriteri.

show abstract

Normal Mixture Model-Based Clustering of Data Using Genetic Algorithm

Gogebakan

Erol

2020

Artificial Intelligence and Applied Mathematics in Engineering Problems

View full text Add to dashboard Cite

A New Semi-supervised Classification Method Based on Mixture Model Clustering for Classification of Multispectral Data

Cited by 10 publications

References 12 publications

A Novel Approach for Gaussian Mixture Model Clustering Based on Soft Computing Method

A Novel Approach for Gaussian Mixture Model Clustering Based on Soft Computing Method

Gauss Karma Modellerin Özellikleri ve Modele Dayalı Kümeleme

Normal Mixture Model-Based Clustering of Data Using Genetic Algorithm

Contact Info

Product

Resources

About