زهرا تقی خاکی - گروه کامپیوتر دانشگاه علم و صنعت ایران
بهروز مینایی - گروه کامپیوتر دانشگاه علم و صنعت ایران
علیرضا معصوم - گروه کامپیوتر دانشگاه علم و صنعت ایران

خوشهبندی یک روش دستهبندیکردن داده براساس شباهت میباشد . الگوریتم خوشهبندی K-means نسبت به نویز بسیار حساس است زیرا که میزان تاثیر نویز و داده های واقعی، یکسان می باشد و این برمحاسبات خوشه ها و مراکز آن ها تاثیرگذار است و دقت آن ها را کاهش می دهد. در نتیجه این الگوریتم در محیط هایی که مستعد نویز هستند غیرقابل اعمال بوده و در صورت اعمال ، نتایج آن قابل اعتماد نیست . ازطرفی K-means بسیار ساده و دارای سرعت بالایی می باشد . روش پیشنهادی ماازاین الگوریتم در محیطهایی که مستعد تولید مقدار قابل توجهی نویز و برون هشت است استفاده کرده و با دقت بالایی عمل خوشه بندی را انجام دهد . با استفاده ازیک الگوریتمK-means وزن گذاری شده چندسطحی که این وزن ، میزان اعتباروخوش نامی منبع تولیدکننده آن داده است، اثرنویزراکم ودربرخی موارد این اثرراکامل حذف می نماید . الگوریتم پیشنهادی، اولین الگوریتم بهبودیافته K-means می باشد که بادرنظرگرفتن میزان شهرت و خوش نامی منبع تولیدکننده داده به عنوان یک معیار اعتمادودرستی داده، عمل می کند و درنتیجه داده های نویزدار و غیرقابل اعتماد را ازهمان ابتداوارد محاسبات الگوریتم ن می کند وبه میزان قابل توجهی ازسربارهای محاسباتی الگوریتم کاسته شده ودرنهایت درافزایش سرعت الگوریتم تاثیرگذاراست . نتایج شبیه دهد .

الگوریتم K-means ، خوش نامی ،خوشه بندی، نویز، وزن گذاری چندسطحی