تعیین مجموعه (موازی) و خوشه بندی فازی c-means موازی برای داده کاوی در شبکه های مخابراتی

تحقیقات اخیر نشان داده است که تکنیک های خوشه بندی که یک هدف واحد یعنی یک معیار اعتبارسنجی را بهینه می-کنند ممکن است نتیجه رضایت بخشی را فراهم نکند چرا که هیچ معیار اعتبارسنجی به تنهایی برای انواع مختلفمجموعه داده ها به خوبی کار نمی کند.فرایند اصلی داده کاوی استفاده از فناوری اکتشاف داده ها برای استخراج داده ها،ایجاد مدل های پیش بینی با استفاده از درخت های تصمیم گیری و تست و بررسی ثبات و کارآمدی مدل هااست.مشتریان بخش بندی روش فازی c-means به خوشه ها بر اساس صدور صورت حساب، وفاداری و پرداخترفتارها برای ایجاد مدل های مبتنی بر درخت تصمیم گیری می باشند.تعیین تعداد k خوشه در یک مجموعه داده با دانشقبلی محدود از ارزش مناسب، یک مسئله شایع است که متمایز از حل مسائل خوشه بندی داده است.برای تصمیم گیریمقدار k چند دسته روش وجود دارد، اما انتخاب بهینه حداکثر فشرده سازی داده ها در داخل یک خوشه و به دقتاختصاص هر مشاهده در خود خوشه دارد.در این مقاله از الگوریتم فازی c-means که یکی از الگوریتمهای پرکاربردبرای خوشه بندی فازی است استفاده کرده ایم. برای ارزیابی الگوریتم ها از معیار mJ که یکی از معیارهای اعتبارسنجیخوشه بندی فازی است، استفاده نموده ایم. همچنین یک روش موازی برای افزایش سرعت تعیین k در n مشاهده ارائهشده است.ما دو روش برای انتخاب مرکز اولیه جهت صرفه جویی در تکرار محاسبات در خوشه بندی فازی c-meansمعرفی می کنیم: 1) انتقال مرکز به جلو؛ 2) حداقل تاثیر.هر دو روش برای تسریع محاسبات فازی c-means و شناساییK طراحی شده اند.