خوشه بندی و شناسایی نمونه های آب با استفاده از الگوریتم های یادگیری ماشین

خوشه بندی یکی از مهمترین روش های یادگیری بدون سرپرست در زمینه شناسایی الگو و یادگیری ماشین است. الگوریتم PCA یکی از روش های استاندارد خوشه بندی جهت کاهش بعد می باشد که به طور مناسبی ویژگی های موثرتر را از بین مجموعه نمونه ها انتخاب می نماید . در این تحقیق، خوشه بندی نمونه های آب با استفاده از روش PCA و شناسایی نمونه های ناشناخته آب با استفاده از روش مینیمم همسایگی به صورت محاسبه حداقل اختلاف فاصله هر نمونه جدید با مرکز خوشه هایی که دارای بیشترین مقدار واریانس بودند بدست آمد. برنامه نویسی روش ذکر شده در نرم افزار متلب نسخه ۲۰۱۲ پیاده سازی شد. هدف اصلی این تحقیق بدست آوردن داده های اولیه نمونه های آب با توجه به میزان تغییر در شوری آب در اثر اعمال شارهای مختلف مغناطیسی و طبقه بندی و شناسایی آنها توسط ترکیبی از روش های PCA و مینیمم همسایگی با توجه به بهترین بردارهای ویژگی، بوده است. نتایج حاکی از موفقیت این روش در طبقه بندی و شناسایی نمونه های آب با دقت مناسب و معنا داری می باشد.

کلیدواژه ها:

خوشه بندی ، یادگیری ماشین ، الگوریتم PCA ، انتخاب ویژگی