خوشه بندی داده های جهت دار با استفاده از الگوریتن بهینه سازی ازدحام ذرات وخوشه بندی فازی

خوشه بندی به عنوان یکی از روشهای کارآمد در یادگیری بدون ناظر است و یکی از روشهای اصلی تشخیص الگوست.یک خوشه مجموعهایست از نمونهها که شبیه به یکدیگر و بی شباهت از نمونه دیگر خوشه هاست. روش خوشه بندی C میانگین فازی (FCM) یکی از روشهای متداول خوشه بندی است و از درجه عضویت فازی برای خوشه بندی دادهها استفاده میکند؛ ولی همیشه درجه عضویت برای همه دادهها به درستی صورت نمیگیرد و باعث وجود مینیمم های محلی میشود. بنابراین، برای یافتن مراکز خوشه بهینه و جلوگیری از مشکل بهینه-سازی محلی در تحلیل خوشهای دادههای جهتدار روشهای مختلفی با الگوریتم FCM و روشهای ترکیبی مختلف پیشنهاد شدند. در روش FCM4DD از تفاوت زاویهای به عنوان اندازه گیری شباهت استفاده میکند و همچنین میتوان برای دادههای N بعدی به عنوان دادههای مدور نیز استفاده شود. نتایج مقایسه با مجموعه داده جهت باد شش ماهه اول سالهای 1951 الی 2014 میلادی کلانشهر تبریز میباشد که از مرکز هواشناسی ایران اخذ گردیده است ارزیابی شده است. با قراردادن تحلیل خوشهای جهت باد در کنار سایر یافتهها مانند سرعت باد و ... اطلاعات ارزشمندی در زمینههای هواشناسی به دست خواهد آمد. مهمترین چالش این روشها چگونگی انتخاب مرکز خوشه اولیه در مجموعه دادهها با ویژگیهای زیاد است. در تحقیقات آینده میتوان از ترکیب FCM با الگوریتم ازدحام ذرات و روشهای خوشهبندی پویا استفاده نمود.