ارائه ی الگوریتم نوین تشخیص همسایگی نقاط داده با استفاده از دایره ی آپولونیوس براساس ساختار هندسی

با توجه به اینکه نیاز به یافتن همسایگی و ارتباط بین نقاط برای حوزه های خوشه بندی و دسته بندی از داده ها، تشخیص اجتماعات در شبکه های اجتماعی و دسته بندی یال های مرتبط به هم در مصورسازی نقاط داده، غیرقابل انکار است، بنابراین رویکردی نوین برای یافتن همسایگی بین نقاط داده مسئله ی چالش برانگیز است. یافتن همسایگی نقاط داده در داده های عظیم و داده کاوی به صورت کلی باید منجر به دسته بندی دقیق داده بر روی انواع پایگاه داده ها گردد. برای این منظور، نوعی همسایگی کاربردی باید در تحلیل و گروه بندی داده های مشابه مشخص گردد. اساس بیشتر الگوریتم های ارائه شده در این زمینه بر الگوریتم های یافتن همسایگی نقاط داده، روش های تحلیل فاصله و مدل های آماری استوار است. مدل هایی که تاکنون ارائه شده اند قابلیت تحلیل همزمان و بررسی دقیق مکان های هندسی داده ها و ارتباطات هندسی بین آنها را ندارند و همچنین بیشتر مدل های مطرح شده به تنظیم پارامترهای همچون تعداد همسایگی و ناحیه ی همسایگی وابسته هستند. تمرکز الگوریتم پیشنهادی بر روی ارائه ی مدل هندسی کاربردی و بررسی اتصالات و چگالی بین داده ها در حوزه های داده کاوی است. کاوش الگوهای هندسی دقیق نسبت به ارتباطات داده ها در فضای دقیق همسایگی می تواند نظم رفتاری و شباهت بین داده ها را آشکار کند و همچنین بازه های چگال همسایگی شناسایی شوند. هدف یافتن همسایگی دقیق بر اساس دایره ی آپولونیوس و ارائه ی روشی نوین برای یافتن چگالی بین داده ها است که می توانند وضعیت همسایگی نقاط داده ها در حوزه های مورد ذکر را مشخص کنند. برای ارزیابی مدل پیشنهادی، دقت مدل پیشنهادی بر روی benchmark های معروف UCI با جدیدترین روش های یافتن همسایگی نقاط داده ارائه شده در این زمینه مقایسه می شود.

Keywords:

دایره ی آپولونیوسی , رابطه ی کسینوسی , نقاط داده و چگالی