Distance-based clustering methods categorize samples by optimizing a global criterion, finding ellipsoid clusters with roughly equal sizes. In contrast, density-based clustering techniques form clusters with arbitrary shapes and sizes by optimizing a local criterion. Most of these methods have several hyper-parameters, and their performance is highly dependent on the hyper-parameter setup. Recently, a Gaussian Density Distance (GDD) approach was proposed to optimize local criteria in terms of distance and density properties of samples. GDD can find clusters with different shapes and sizes without any free parameters. However, it may fail to discover the appropriate clusters due to the interfering of clustered samples in estimating the density and distance properties of remaining unclustered samples. Here, we introduce Adaptive GDD (AGDD), which eliminates the inappropriate effect of clustered samples by adaptively updating the parameters during clustering. It is stable and can identify clusters with various shapes, sizes, and densities without adding extra parameters. The distance metrics calculating the dissimilarity between samples can affect the clustering performance. The effect of different distance measurements is also analyzed on the method. The experimental results conducted on several well-known datasets show the effectiveness of the proposed AGDD method compared to the other well-known clustering methods.

بخش بندی تصاویر رنگی چهره یک مرحله ی ضروری در کاربردهای پردازش تصویر و بینائی کامپیوتر نظیر شناسائی چهره، شناسائی هویت و آنالیز جراحی های پلاستیک چهره است. یکی از مهم ترین روش های بخش بندی تصاویر چهره، روش های مبتنی بر خوشه بندی است. خوشه بند فازی (FCM) یک الگوریتم موثر در بخش بندی تصویر بوده، ولی حساسیت به مقدار اولیه ممکن است باعث شود که این الگوریتم در کمینه مکانی بیافتد. به منظور غلبه بر این مسئله، الگوریتم های فرا-ابتکاری شامل بهینه سازی گرگ خاکستری (GWO) و الگوریتم بهینه سازی نهنگ (WOA) به کار گرفته شده اند. بنابراین، تمرکز اصلی این مقاله بر روی عمل کرد الگوریتم های فرا-ابتکاری در بهینه سازی خوشه بند فازی و کاربرد آن در بخش بندی تصاویر رنگی چهره است. تابع هدف خوشه بند FCM به عنوان یک تابع برآزندگی برای الگوریتم های فرا-ابتکاری درنظر گرفته می شود. این الگوریتم n بردار را به C گروه فازی تقسیم کرده و مرکز خوشه بندی را برای هر گروه محاسبه می کند. همچنین، در این مطالعه سه فضای رنگی چهره شامل YCbCr، YPbPr و YIQ به عنوان داده های ورودی در بهینه سازی تابع برازندگی به کار گرفته شده اند. پس از بیشینه کردن تابع عضویت، بخش بندی تصاویر رنگی چهره بر روی سه پایگاه داده شامل (1) پایگاه داده دانشگاه صنعتی سهند (SUT)، (2) پایگاه داده MR2 و (3)پایگاه داده SCUTFBP انجام شده است. نتایج بخش بندی نشان می دهند که عمل کرد الگوریتم های GWO و WOA در بخش بندی تصاویر رنگی چهره نسبت به سایر الگوریتم های فرا-ابتکاری نظیر الگوریتم ژنتیک (GA)، بهینه سازی ازدحام ذرات (PSO)، الگوریتم بهینه سازی ملخ (GOA) و الگوریتم جستجوی کلاغ (CSA) بهتر بوده و همچنین دارای عمل کرد مناسبی نیز در سرعت همگرائی هستند.

در این مقاله الگوریتمی جدید، برپایه مدل سازی خوشه ای و الگوریتم های ژنتیکی برای آشکارسازی عیوب رنگی کاشی ها و سرامیک ها ارایه شده است. این الگوریتم شامل دو مرحله است: استخراج ویژگی و بازرسی. در مرحله استخراج ویژگی، الگوریتم پیشنهادی با تنظیم پارامترهای خود، با استفاده از یک یا چند کاشی مرجع، مدلی از خصوصیات رنگی کاشی ارایه می دهد. سپس در مرحله بازرسی، خصوصیات رنگی کاشی تحت بازرسی با مدل به دست آمده در مرحله آموزش، مقایسه می شود. بدیهی است که وجود هر گونه اختلافی بین مدل مذکور و کاشی تحت بازرسی، بیانگر وجود یک عیب رنگی است. در حقیقت، الگوریتم پیشنهادی ترکیبی از یک الگوریتم خوشه بندی رنگ جدید بر اساس معیار MinMax و یک الگوریتم ژنتیکی است. به این ترتیب که الگوریتم خوشه بندی نقش تابع هزینه الگوریتم ژنتیکی را ایفا کرده و وظیفه الگوریتم ژنتیکی، بهینه سازی پاسخ های الگوریتم خوشه بندی است. به عبارت دیگر، الگوریتم ژنتیکی در طول فرآیند تکاملی، با تنظیم مقادیر اولیه پارامترهای الگوریتم خوشه بندی، پاسخ های آن را بهینه می نماید. نتایج تجربی شامل ارزیابی های کمی و کیفی بر روی یک پایگاه تصویر شامل 120 تصویر در شش طرح مختلف، بیانگر عملکرد مناسب و قابل قبول الگوریتم پیشنهادی در آشکارسازی عیوب رنگی کاشی ها است. دقت قابل قبول، سرعت پردازش بالا (در مرحله بازرسی) و قابلیت تنظیم حساسیت، سه ویژگی مهم الگوریتم پیشنهادی است.

Purpose: Clustering and co-word analysis is a method to reveal relationships and links and illustrate the intellectual structure of a scientific field. This research tries to study the intellectual structure of articles in the field of futures studies in Iran by using the technique of co-word analysis. Method: The current research is a descriptive-analytical development with a scientometric approach. The statistical population is 921 articles retrieved records in the field of futures studies. Findings: The findings showed that articles in the field of futures studies in Iran are often associated with positive growth, and in terms of frequency, the keywords scenario, Islamic Republic, and foresight are the most frequent in futures studies. The findings related to the hierarchical clustering led to the formation of 8 clusters in this field, namely "ICT visions", "geographers who love the future", "knowledge development", " Futuristic higher education", "Future of Religion", "Regional Relations", "Strategic Foresight" and "Heavy Weight of Method". Conclusion: According to the findings of the current research and the high frequency of the keyword scenario, as well as the density and relationships of this keyword with other keywords, it can be concluded that the scenario is the dominant approach in futures studies. Also, according to the resulting clusters, it was observed that these researches have a high variety, but addressing the future in many areas is still neglected.

Automatic topic detection seems unavoidable in social media analysis due to big text data which their users generate. Clustering-based methods are one of the most important and up-to-date categories in topic detection. The goal of this research is to have a wide study on this category. Therefore, this paper aims to study the main components of clustering-based-topic-detection, which are embedding methods, distance metrics, and clustering algorithms. Transfer learning and consequently pretrained language models and word embeddings have been considered in recent years. Regarding the importance of embedding methods, the efficiency of five new embedding methods, from earlier to recent ones, are compared in this paper. To conduct our study, two commonly used distance metrics, in addition to five important clustering algorithms in the field of topic detection, are implemented by the authors. As COVID-19 has turned into a hot trending topic on social networks in recent years, a dataset including one-month tweets collected with COVID-19-related hashtags is used for this study. More than 7500 experiments are performed to determine tunable parameters. Then all combinations of embedding methods, distance metrics and clustering algorithms (50 combinations) are evaluated using Silhouette metric. Results show that T5 strongly outperforms other embedding methods, cosine distance is weakly better than other distance metrics, and DBSCAN is superior to other clustering algorithms.

مقدمه: ندول تیرویید از جمله شکایات شایعی است که در بالین بیماران با آن برخورد می نماییم. بیوپسی سوزنی، اسکن رادیواکتیو و سونوگرافی از جمله روش هایی هستند که بیشتر برای تشخیص و تعیین رویکرد درمانی در یک ندول تیروییدی به کار گرفته می شوند در این میان سونوگرافی از جمله غیر مهاجم ترین و کم عارضه ترین روش های تصویربرداری است و در این تحقیق نیز به بررسی ارزش سونوگرافی و کالر داپلر در ندول های تیروییدی پرداخته ایم.روش کار: در این مطالعه 66 بیمار مبتلا به ندول تیرویید قابل لمس مراجعه کننده به کلینیک غدد بیمارستان امام رضا بین مرداد سال 83-82 که بیوپسی نیز برایشان انجام می شد انتخاب و در بخش رادیولوژی بیمارستان قائم تحت سونوگرافی و کالر داپلر قرار گرفتند و یافته ها با نتایج بیوپسی سوزنی و جراحی مطابقت گردید.نتایج: 8% از ندول های مورد بررسی بدخیم و 92% خوش خیم بوده اند. هوموژن بودن ندول تیرویید بیشتر مطرح کننده یک ضایعه خوش خیم است. احتمال بدخیمی در ندول منفرد بیشتر از ندول های متعدد است. در بررسی %91 Color Doppler ندول های خوش خیم و 75% ندول های بدخیم دارای واسکولاریزاسیون در اطراف ضایعه بوده اند. میزان واسکولاریزاسیون اینتراندولر در 30% ندول های بدخیم زیاد و در 60% موارد خیلی زیاد و این میزان ها در ندول های خوش خیم به ترتیب 12% و 6% بوده است. میانگین اندکس مقاومت (RI) در ندول های خوش خیم 0.62±0.12 و در ندول های بدخیم 0.68±0.11 بود و 28٪ از ندول های خوش خیم و 40% از ندول های بدخیم (RI) بیشتر از 0.75 داشتند. در مقایسه (RI) در ندول های خوش خیم و بدخیم مشاهده شد که (RI) بیش از 0.75 به طور معنی داری در بدخیمی ها بیشتر می باشد (P=0.045).