محمدامین عنایتی - کارشناسی ارشد مرکز آموزش عالی جهاد دانشگاهی استان خوزستان
محسن هاشمی - کارشناسی ارشد دانشگاه آزاد اسلامی واحد اراک

خوشه بندی طیفی به طور گسترده در داده کاوی و یادگیری ماشین مورد استفاده قرار می گیرد. خوشه بندی می تواند شکل دلخوواه یک فضای نمونه را شناسایی کرده و به راه حل بهینه همگرا شود. در مقایسه با الگوریتم سنتیk-means ، الگوریتم خوشه بندی طیفی سازگاری بیشتری با داده ها داشته لذا نتایج خوشه بندی بهتری را به همراه دارد. با این حال، محاسبه الگوریتم بسیار پرهزینه است ..در این مقاله، یک الگوریتم خوشه بندی طیفی موازی کارآمد بر روی پردازنده های چند هسته ای در زبان جولیا پیشنهاد شده اس. کوه در اینجا از آن به عنوانjuPSC یاد می کنیم. زبان جولیا یک زبان برنامه نویسی با کارایی بالا و منبع بواز اسو ..juPSC از سوه رو تشکیل شده است. ۱) محاسبه ماتریس تمایل،۲) محاسبه بردارهای ویژه و۳) انجام خوشه بندی k-means. رویه های ۱ و۳ توسط الگوریتم موازی کارآمد محاسبه می شوند و از فرم.COO برای فشرده سازی ماتریس تمایل استفاده می شود. دو گروه آزمایش برای تایید صحت و کاراییjuPSC انجام می شود. نتایج تجربی نشان می دهد کهjuPSC به طور تقریبی به سریع های ۱۴ الی ۱۸ روی یک پردازنده ۲۴ هسته ای دست می یابد و ۲ نسخه سریال juPSC سریع تر از نسخه پایتون scikitlearn است ..

الگوریتم خوشه بندی، خوشه بندی طیفی، الگوریتم موازی، پردازنده های چند هسته ای، زبان جولیا