خوشه‌بندي داده‌هاي جرياني با استفاده از تابع باور

***

با توجه به افزايش منابع توليد داده‌هاي جرياني، حجم انبوهي از اطلاعات، روزانه توليد مي‌شود كه نگهداري اين اطلاعات در عمل ممكن نيست. استخراج مدل از ميان اين اطلاعات خام، براي رسيدن به دانشي مفيد، امري ضروري محسوب مي‌شود. هدف ما در اين تحقيق، ارائه روشي جديد براي خوشه‌بندي داده‌هاي جرياني، به نام DSCBF، با توجه به مشكل عدم‌قطعيت موجود در داده‌ها است. در روش پيشنهادي، براي حل مشكل عدم‌قطعيت و ابهام در داده‌ها، از تابع باور استفاده شده است. تابع باور، به منظور خوشه‌بندي داده‌ها در خوشه‌هاي تكي و يا مجموعه‌اي از خوشه‌ها و تعيين ساختار داده‌ها، مورد استفاده قرار مي‌گيرد. علاوه بر آن، استفاده از روش پنجره لغزان و وزن‌دهي به مراكز با در نظر گرفتن زمان، موجب غلبه بر ويژگي‌هاي خاص داده‌هاي جرياني مي‌شود. نتايج آزمايش‌ها روي مجموعه داده‌هاي واقعي، نشان‌دهنده برتري روش پيشنهادي، از نظر نرخ خطا، نرخ ابهام و خلوص، نسبت به ساير روش‌هاي مطرح مرز دانش است.

***