الگوریتمی جدید برای خوشه بندی داده ها با استفاده از آتوماتای یادگیر سلولی دو بعدی

شبکه سلولی دو بعدی یک ابزار مهم برای انجام عمل خوشه بندی، بر روی داده ها است. برای خوشهبندی در سطح شبکه، با دو چالش اصلی مواجه هستیم: چالش اول تفکیک یا جداسازی داده های مشابه بوده و چالش دوم مشخص کردن تعداد خوشه ها از روی داده های تفکیک شده است. در این مقاله با استفاده از آتوماتای یادگیر سلولی دوبعدی، الگوریتمی به نام LACA برای حل چالشهای اشاره شده پیشنهاد میشود. در روش پیشنهادی، آتوماتون یادگیر تخصیص یافته به هر سلول میتواند همزمان با مشخص کردن مسیر حرکت داده برای یافتن داده های مشابه، خوشهی مناسب با آن داده را از روی همسایگی های آن تعیین کند. همچنین در صورت نامناسب بودن خوشه مربوطه، هر داده با استفاده از آتوماتای همسایه های خود، میتواند مسیر صحیح حرکت خود را برای خروج از آن خوشه، مشخص کند. با اینکار جستجوی تصادفی در سطح شبکه کاهش پیدا میکند. برای رسیدن به این اهداف تنها از یک قانون محلی ساده برای هر سلول استفاده خواهد شد. الگوریتم پیشنهادی با بسیاری از الگوریتمهای مطرح در این زمینه مورد مقایسه قرار گرفته و نتایج شبیه سازیها بر روی مجموعه داده های واقعی نشان دهنده کارایی بالای روش پیشنهادی در این زمینه است.

کلیدواژه ها:

خوشه بندی ، آتوماتای سلولی ، آتوماتای یادگیر سلولی ، یادگیری ماشین