روشی نو در خوشه بندی متکی بر ماتریس همبستگی نمونه ها

در روشهای خوشه بندی دونکته نقش اساسی بازی می کند . یکی انتخاب نمونه های شروع ) ) Seed Points می باشد و دیگری چگونگی حذف نمونه های نادرست است . روشهای کلاسیکی مثل Forgy , ISODATA,K_Mean اشاره ای به چگونگی انتخاب نمونه های شروع ندارند . در این مقاله روشی عرضه خواهد شد که دارای دو بخش می باشد ، در بخش اول الگوریتم ، ماتریس همبستگی نمونه ها محاسبه می شود . این ماتریس میزان همبستگی نمونه ها را به صورت دو به دو نشان می دهد . الگوریتم سپس با بکارگیری ماتریس همبستگی نمونه های شروع بهینه را تشخیص می دهد . در مرحله دوم نمونه های شروع به همراه مرزهای همبستگی که خود آنها از ماتریس همبستگی نتیجه می شود منجر به آزمایش نمونه ها و ایجاد خوشه هایی با حداکثر متوسط همبستگی می شود که از روشهای مشابه جواب بهتری ارائه می دهد