فهرست نشریات علمی دسترسی آزاد ایران

خوشه‌بندی داده‌های بزرگ، ساختارها را آشکار و گروه‌بندی‌ها را شناسایی می‌کند و هدف اصلی آن تفکیک داده‌ها در خوشه‌هایی با ویژگی‌های مشابه است. شبکه‌های عصبی مصنوعی ابزاری استاندارد برای خوشه‌بندی داده‌های بزرگ و چندبعدی هستند. هدف این تحقیق، خوشه‌بندی داده‌های بلوک‌های 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 به‌کارگیری مرکز هندسی بلوک‌های آماری به‌عنوان پارامتر مکانی در روند خوشه‌بندی و مقایسه نتایج حاصل می‌باشد. الگوریتم شبکه عصبی گازی (NG) متداول‌ترین شبکه برای خوشه‌بندی داده‌های با ابعاد بالا و شبکه عصبی گازی بافتی (CNG) مکانی شده این الگوریتم است. در این مطالعه بلوک‌های آماری شهر اصفهان با آموزش این دو الگوریتم بر اساس متغیرهای منتخب خوشه‌بندی شدند. نتایج بیانگر وجود تفاوت قابل‌توجه در خوشه‌های حاصل از اجرای این دو الگوریتم است. خوشه‌بندی با استفاده از الگوریتم NG، منتج به خوشه‌های ناهمگن می‌شود و بالعکس اجرای الگوریتم CNG به دلیل استفاده از پارامترهای مکانی منجر به تولید خوشه‌های همگن می‌گردد. در این پژوهش ارزیابی کیفیت خوشه‌بندی با محاسبه متوسط ضریب سیلهوته برای بلوک‌های 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 خوشه‌های همگن در محیط شهری است. خوشه‌بندی بلوک‌های آماری شهری با به‌کارگیری متغیرهای مرتبط با توسعه پایدار و رویکرد مکان‌مبنا با استفاده از الگوریتم CNG ازجمله نوآوری‌های این تحقیق به شمار می‌رود