ارائه يك روش موازي بهمنظور افزايش كارايي روش خوشهبندي فازي دادههاي حجيم بر Mapreduceاساس مدل

خوشهبندي يكي از شاخههاي يادگيري بدون نظارت ميباشد و فرآيند خودكاري است كه در طي آن، هر نمونه به يك دسته كه اعضاي آن مشابه يكديگر ميباشند تقسيم ميشود كه به اين دسته خوشه گفته ميشود، اما در خوشهبندي فازي يك نمونه با درجهاي از تعلق ميتواند به چندين خوشه متعلق باشد. روشهاي زيادي در زمينه خوشهبندي فازي RSIO ارائه گرديدهاند كه ازجمله ميتوان به روش - بهبوديافته كه بهمنظور خوشهبندي فازي دادههاي حجيم LFCM نامتوازن ارائه گرديده، اشاره نمود، اكثر روشهاي ارائهشده در اين زمينه از نظر محاسباتي گران و بسيار زمانبر بوده و داراي سرعت پاييني ميباشند چون بيشتر الگوريتمهاي آن نيازمند روالهاي تكراري يا بازگشتي ميباشند و همچنين دادههاي آنها بيشتر دادههاي واقعي با ابعاد بالا ميباشند. در اين تحقيق با ارائه يك مدل موازي مبتني بر RSIO سعي در افزايش سرعت روش Mapreduce - بهبوديافته داريم. پس از اجراي روش پيشنهادي بر روي LFCM ديتاست هاي آزمايشگاهي و مقايسه نتايج آن با روشهاي پيشين نتايج بيانگر اين بود كه روش پيشنهادي بر روي بالاتري نسبت به ساير روشها بوده و همچنين داراي سرعت بالاتري نسبت به purity ديتاست هاي متوازن داراي روشهاي قديمي بوده است.