خوشه بندی دادههای بزرگ در اینترنت اشیاء با الگوریتم میانگین مرکز فازی

همه روزه حجم عظیمی از داده های علمی در زمینه های گوناگون تولید میشود و تحلیل بدنه بزرگ داده ها به شکل قابل درک و کاربردی یک مساله چالش برانگیز است. داده کاوی با فراهم کردن روشها و نرم افزارهایی برای خودکارسازی تحلیل ها و اکتشاف مجموعه داده های بزرگ و پیچیده حل می کند. داده کاوی داده های هوشمند از داده های بزرگ جمع آوری شده از اینترنت اشیا به منظور بهتر کردن زندگی بشر با مجتمع سازی دستگاه های فیزیکی در فضای اطلاعات است. یکی از مهمترین روشهای خوشه بندی برای یادگیری داده هوشمند الگوریتم میانگین مرکز فازی (FCM) است که هر شیء را با محاسبه ماتریس عضویت به چندین گروه اختصاص می دهد. با این حال هر شی داده بزرگ تعداد زیادی ویژگی دارد که چالش بزرگی برای خوشه بندی زمان واقعی داده بزرگ IoT از طریق FCM را به همراه دارد. در این مقاله یک روش میانگین مرکز فازی کارآمد بر اساس تجزیه چند متغیری استاندارد تانسور را برای خوشه بندی داده های بزرگ در اینترنت اشیا معرفی میکنیم در طرح ارائه شده الگوریتم میانگین مرکز فازی معمول توسط تابع دوسویی به الگوریتم میانگین مرکز فازی تانسور مرتبه بالا (HOFCM) تبدیل میشود به علاوه تجزیه چند متغیری کالونیک تانسور برای کاهش ویژگیهای هر شی به کار می رود تا بازده خوشه بندی بهبود باید در آخر آزمایشهای زیادی برای مقایسه طرح توسعه داده شده با الگوریتم میانگین مرکز فازی معمول روی دو مجموعه داده بزرگ IoT شامل CWSN و e GSAD نسبت به صحت خوشه بندی و بازده خوشه بندی انجام میشود. نتایج بیان میکنند که طرح توسعه داده شده به طور قابل توجهی بازده خوشه بندی بالاتری دارد و صحت خوشه بندی آن به میزان کمی کمتر از الگوریتم معمول است که توانایی طرح ارائه شده برای یادگیری داده هوشمند از داده بزرگ IoT را نشان می دهد.