احد رفعتی - باشگاه پژوهشگران جوان و نخبگان، واحد ایلخچی، دانشگاه آزاد اسلامی، ایلخچی، ایران
شاهین اکبرپور - گروه مهندسی کامپیوتر، واحد شبستر، دانشگاه آزاد اسلامی، شبستر، ایران

خوشه بندی به عنوان یکی از روشهای کارآمد در یادگیری بدون ناظر است و یکی از روشهای اصلی تشخیص الگوست.یک خوشه مجموعه ایست از نمونه ها که شبیه به یکدیگر و بی شباهت از نمونه دیگر خوشه هاست. روش خوشه بندی C -میانگین فازی (FCM) یکی از روشهای متداول خوشه بندی است و از درجه عضویت فازی برای خوشه بندی داده هااستفاده می کند؛ ولی همیشه درجه عضویت برای همه داده ها به درستی صورت نمی گیرد. یعنی، در مجموعه داده هایپراکنده درجه تعلق کمتر و در مجموعه داده های شلوغ و متراکم درجه تعلق بیشتر به نمونه ها اختصاص داده می شود ومشکل بهینه سازی محلی رخ میدهد. سپس، روش C- میانگین امکان (PCM) معرفی شد تا ضعف های روش FCM راپوشش دهد. با این حال دارای مشکل خوشه های منطبق بود چون در PCM خاصیت خوددوگانگی وجود نداشت؛ خوشه-بندی معتبر یکی از روشهای جدید خوشه بندی است و بر اساس تیوری اعتبار ارایه شده است که برای مطالعه رفتارپدیده های فازی به کار می رود. در روش خوشه بندی معتبر از معیار معتبر به جای درجه عضویت فازی استفاده شده است.معیار معتبر دارای خاصیت خوددوگانگی است و مشکل خوشه های منطبق را در PCM حل می کند. در این مقاله، این سهروش فوق باهم مقایسه خواهند شد. نتایج مقایسه با سه نمونه مجموعه داده عددی و مجموعه داده گل زنبق ارزیابی شدهاست. مهمترین چالش این روشها چگونگی انتخاب مرکز خوشه اولیه در مجموعه داده ها با ویژگی های زیاد است. درتحقیقات آینده می توان از ترکیب FCM با الگوریتم ازدحام ذرات و روشهای خوشه بندی پویا استفاده نمود.

خوشه بندی، خوشه بندی معتبر، خوشه بندی فازی، منطبق، خوشه بندی امکان، معیار معتبر