سهیلا اشک زری طوسی - دانشگاه فردوسی مشهد - گروه کامپیوتر
هادی صدوقی یزدی - دانشگاه فردوسی مشهد - گروه کامپیوتر

خوشه بندی به عنوان یکی از تکنیکهای مهم در شناسایی الگو، پردازش تصویر و داده کاوی شناخته می شود. در فضاهایی با ابعادبالا به علت وجود وابستگیهای غیر خطی بین ویژگیها، الگوریتمهایخوشه بندی معمولا با شکست مواجه می شوند. برای مقابله با این مشکل عموما با انتقال فضا به حوزه ویژگی- با ابعاد بالا سعی در به دست آوردن ویژگیهایی مناسب تر برای توصیف داده می شود. در این مقاله سعی شده است تا با انتقال داده ها به فضای Kernel PCA به توصیف مناسب تری از داده ها دست یابیم و از خصوصیات این فضا برای خوشه بندی بهتر استفاده نماییم. برای این منظور، پس از استخراج ویژگیهای جدید در فضای متعامد KPCA به بررسی آنها پرداخته و ویژگیهای مناسب برای خوشه بندی را با انتساب وزن مناسب به آنها، انتخاب و ترکیب می نماییم و در انتها از روشی مبتنی بر رای گیری وزندار برای خوشه بندی داده ها استفاده می نماییم. نتایج آزمایشها بهبود مناسبی را در مقایسه با الگوریتمهای خوشه بندی فازی C- میانگین و K- میانگین نشان میدهد.

فضای تعامد، تحلیل مولفه های اصلی کرنل، خوشه بندی