شبکه عصبی گازی بافتی

خوشه بندی داده های بزرگ، ساختارها را آشکار و گروه بندی ها را شناسایی می کند و هدف اصلی آن تفکیک داده ها در خوشه هایی با ویژگی های مشابه است. شبکه های عصبی مصنوعی ابزاری استاندارد برای خوشه بندی داده های بزرگ و چندبعدی هستند. هدف این تحقیق، خوشه بندی داده های بلوک های آماری شامل 21 متغیر اجتماعی-اقتصادی و دسترسی به خدمات مرتبط با رویکرد توسعه پایدار شهری با شبکه عصبی گازی بدون استفاده از پارامترهای مکانی و همچنین با به کارگیری مرکز هندسی بلوک های آماری به عنوان پارامتر مکانی در روند خوشه بندی و مقایسه نتایج حاصل می باشد. الگوریتم شبکه عصبی گازی (NG) متداول ترین شبکه برای خوشه بندی داده های با ابعاد بالا و شبکه عصبی گازی بافتی (CNG) مکانی شده این الگوریتم است. در این مطالعه بلوک های آماری شهر اصفهان با آموزش این دو الگوریتم بر اساس متغیرهای منتخب خوشه بندی شدند. نتایج بیانگر وجود تفاوت قابل توجه در خوشه های حاصل از اجرای این دو الگوریتم است. خوشه بندی با استفاده از الگوریتم NG، منتج به خوشه های ناهمگن می شود و بالعکس اجرای الگوریتم CNG به دلیل استفاده از پارامترهای مکانی منجر به تولید خوشه های همگن می گردد. در این پژوهش ارزیابی کیفیت خوشه بندی با محاسبه متوسط ضریب سیلهوته برای بلوک های آماری انجام شد که الگوریتم CNG با متوسط ضریب سیلهونه برابر 29/ 0 عملکرد بهتری نسبت به الگوریتم NG با متوسط ضریب سیلهوته 02/0- دارد. این نتایج بیانگر تأثیر مثبت پارامترهای مکانی در ایجاد خوشه های همگن در محیط شهری است. خوشه بندی بلوک های آماری شهری با به کارگیری متغیرهای مرتبط با توسعه پایدار و رویکرد مکان مبنا با استفاده از الگوریتم CNG ازجمله نوآوری های این تحقیق به شمار می رود