رویکردی نوین و چندجانبه به خوشهبندی با استفاده از تکنیکهای جدید و ترکیبی

خوشهبندی را میتوان نو عی طبق هبندی داد هها بر اساس شباهت از دیدگاههای مختلف دانس ت. تفاوت در نما یش داد هها، نحو ه اندازهگیری شباهت بین ه ریک از آنه ا و گرو هبندی آنها، دستههای بسیاری از روشهای خوشهبندی را به وجود آوردهاند که هر ی ک ابزاری قدرتمند در جا ی خود به شمار م ی آیند. غالباً در هر یک از این دست هها رو شهای کم کی وجود دارند که س عی در پوشاندن معایب هست هی اص لی خوش هبندی دارن د. روش تر کیبی ارائه ش ده در این مقاله، از روش 2DSRPCLکه نو عی از روشه ای RPCL است، به عنوان روش مرکز ی استفاده میکند که البته قابل جایگزینی با هر روش خوشهبندی مناسب دیگری نیز م یباش د.در ای ن مقاله چند روش کمک ی ن وین پیشنهاد شده اس ت که نوعاً متفاوت م یباشند و به نظر م یرسد که تر کی ب آنها قابل ی ت تش خیص و پوشش مع ایب یک هست هی خوش هبندی را از دیدگاههای متفاوت دارد. این تکنیکهای جدید با چند تک نی ک استفاده شده در الگوریتمهایRPCL و ISODATA مقایسه شده و بهبود در نتایج حاصل شده است.

کلیدواژه ها:

خوشه بندی ، یادگیری بدون نظارت ، بازشناسی نمونهها ، یکیکردن ، انشعابسازی