بهبود الگوریتم خوشه بندی DB-SCAN با استفاده از شبکه عصبی ماشین یادگیر سریع

خوشه بندی به معنای یافتن تشابه در دسته ها براساس معیارهای متفاوتی می باشد DBSCAN یکی از قدرتمند ترین الگوریتم های خوشه بندی است که بر اساس چگالی داده ها را دسته بندی نموده و فارغ از فاصله می باشد. همانند بیشتر الگوریتم های خوشه بندی که خروجی نهایی آنها وابسته به پارامتر های ورودی می باشد الگوریتم خوشه بندی DBSCAN نیز وابسته به دو پارامتر ورودی است. یکی شعاع همسایگی و دیگری حداقل نقاط موجود در یک خوشه می باشد DBSCAN همانند سایر روش ها نسبت به پارامتر های ورودی حساس می باشد لذا ما در این پایان نامه با استفاده از روش های شبکه عصبی به بررسی این مشکل پرداخته و یک الگوریتم جدید بر اساس ماشین یادگیر سریع ارائه داده ایم که در الگوریتم DBSCAN دو پارامتر اساسی به صورت اتوماتیک تعیین شده و بسیار کارآمد است. نتایج آزمایشات نشان دهنده ی برتری الگوریتم پیشنهادی در قیاس با برخی الگوریتم خوشه بندی مشهور می باشد.

کلیدواژه ها:

و D-BSCAN ، خوشه بندی ، شبکه عصبی ، بهینه سازی ، ماشین یادگیر سریع