مروری بر بهبود خوشه بندی فازی با استفاده از شبکه عصبی MLP

امروزه, استفاده از الگوریتمهای خوشه بندی در گروه بندی مستندات متنی از جایگاه بالایی, خصوصا در سیستمهای بازیابی اطلاعات برخوردار است. استفاده از مدل شبکه های عصبی در بانکهای کشورمی تواند در کارایی، رتبه بندی واعتبار سنجی مشتریان بکار گرفته شوددر تعدادی از تحقیقات نیز پیشنهاد شده است از مدل ترکیبی ترکیبی از شبکه عصبی و سیستم خبره می باشد . سیستم مورد نظر به صورت یک سیستم مشاور در حد گسترده ای در سیستم بانکی قابلیت استفاده را دارد و درفرایند رتبه بندی اعتباری مشتریان می تواند نقش موثری داشته باشد. درسالهای اخیر با ورود تکنولوژیهای جدید و اینترنت، رقابت موجود بین بانک ها افزایش چشمگیری داشته است.یکی از معروف ترین روشهای خوشه بندی فازی الگوریتم فازی میانگین است. اگرچه این روش عملکرد بهتری نسبت به خوشه بندی سخت دارد اما با یکسری چالشهایی مثل سوگیری نسبت به پارامترهای خوشه بندی اولیه روبروست. همچنین هنگام کار با داده های بزرگ جوابها با احتمال زیاد در بهینه های محلی قرار می گیرند. با استفاده از این الگوریتمها مستندات بازیابی شده, گروه بندی می شوند تا مستندات مشابه, در یک خوشه قرار گیرند. از میان روشهای مختلف خوشه بندی, مدل عصبی برای داده های با حجم بالا و مدل فازی KHM برای داده های خارج از محدوده عملکرد بهتری دارد.

Keywords:

خوشه بندی فازی , سیستم بانکی , شبکه های عصبیMLP , الگوریتم فازی میانگین , مدل فازیKHM