مهران جوانی - گروه کامپیوتر - دانشگاه آزاد اسلامی واحد بهبهان

یکی از تکنیک های مشهور تحلیل داده ها , خوشه بندی می باشد. در این مقاله روش جدید برای خوشه بندی و وزن دهی به ویزگی ها بطور همزمان با الگوریتم OPSپیشنهاد شده است.از آنجا گه ارزش ویژگی ها در مسائل مختلف متفاوت است و برخی ویژگی ها ممکن است برای خوشه بندی گمراه کننده باشد , ی توان ارزش آنها را کم کرد.الگوریتم های خوشه بندی مبتنی بر الگوریتم های تکاملی دو مشکل عمده دارند. اولاً معمولاً دارای سرعت پایینی هستند .دوماً وابسته به شکل خوشه هستند و روی مجموعه داده های خاصی خوب عمل می کنند.ما برای حل مشکل اول از دو جستجوی محلی برای افزایش سرعت و دقت الگوریتم استفاده می کنیم و برای حل مشکل دوم با ارائه معیار شباهت جدید KMPBM بدلیل استفاده از تابع کرنل که الگوها را به فضایی با ابعاد بالاتر به امید جداسازی بهتر الگوهای کلاس مختلف به ارزیابی خوشه بندی می پردازیم. آزمایشات انجام شده روی سه مجموعه داده واقعی و سه مجموعه داده ساختگی با شکل های مختلف نشان می دهند که الگوریتم پیشنهادی مستقل از شکل خوشه ها عمل خوشه بندی را انجام می دهد و با تنظیم پارامترها الگوریتم قادر است روی هر مجموعه داده ای با هر شکلی خوشه بندی را با دقت خوبی انجام دهد.

خوشه بندی , بهینه سازی , وزن دهی به ویژگی ها , PSO