خوشه بندی داده های مستخرج از جامعه فازی با استفاده از الگوریتم سلسله مراتبی و کاربرد آن در رباتیک مدرن

خوشه بندی سلسله مراتبی یکی از روش های یادگیری بدون نظارت در داده کاوی است که با ارزیابی شباهت میان داده ها، آن ها را در قالب یک ساختار سلسله مراتبی گروه بندی کرده و خوشه هایی با بالاترین میزان شباهت درون خوشه ای ایجاد می کند. روش های موجود در این حوزه، برای داده های مستخرج از جوامع دقیق طراحی شده اند. با این حال، در بسیاری از کاربردهای واقعی، جوامع مورد مطالعه ماهیتی نادقیق یا فازی دارند؛ مواردی از این قبیل جوامع را می\-توان به دانشجویان بااستعداد، محصولات کشاورزی سالم، دوره های آموزشی مفید و شغل های پردرآمد اشاره کرد. در چنین جوامعی، هر مشاهده علاوه بر مقدار عددی خود، دارای درجه ای از عضویت در جامعه فازی نیز است. در این مقاله، روش خوشه بندی سلسله مراتبی به الگوریتم خوشه بندی داده های حاصل از جوامع فازی تعمیم داده شده است. همچنین با تعمیم دو شاخص سیلوئیت و دان از حالت کلاسیک به جامعه فازی، تعداد خوشه\-های بهینه بر اساس معیارهای تشابه میان خوشه ها تعیین شده است و کیفیت خوشه بندی در استفاده کاربردی روش پیشنهادی در داده\-های رباتیک مدرن تشریح می\-شود.

کلیدواژه ها:

خوشه بندی ، الگوریتم سلسله مراتبی ، تابع عضویت ، داده\-های مستخرج از جامعه فازی ، وزن\-دهی