خوشه بندي داده هاي جرياني با استفاده از تابع باور

با توجه به افزايش منابع توليد داده هاي جرياني، حجم انبوهي از اطلاعات، روزانه توليد مي شود كه نگهداري اين اطلاعات در عمل ممكن نيست. استخراج مدل از ميان اين اطلاعات خام، براي رسيدن به دانشي مفيد، امري ضروري محسوب مي شود. هدف ما در اين تحقيق، ارائه روشي جديد براي خوشه بندي داده هاي جرياني، به نام DSCBF با توجه به مشكل عدم قطعيت موجود در داده ها است. در روش پيشنهادي، براي حل مشكل عدم قطعيت و ابهام در داده ها، از تابع باور استفاده شده است. تابع باور، به منظور خوشه بندي داده ها در خوشه هاي تكي و يا مجموعه اي از خوشه ها و تعيين ساختار داده ها، مورد استفاده قرار مي گيرد. علاوه بر آن، استفاده از روش پنجره لغزان و وزن دهي به مراكز با در نظر گرفتن زمان، موجب غلبه بر ويژگي هاي خاص داده هاي جرياني مي شود. نتايج آزمايشها روي مجموعه داده هاي واقعي، نشان دهنده برتري روش پيشنهادي، از نظر نرخ خطا، نرخ ابهام و خلوص، نسبت به ساير روش هاي مطرح مرز دانش است.