ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته

با پیشرفت روز افزون تکنولوژی های جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روش هایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن می باشیم. امروزه خوشه بندی داده به عنوان یکی از روش های آنالیز و ساده سازی مجموعه داده های بزرگ، مورد توجه بسیاری از محققین قرار گرفته است. در این میان خوشه بندی سری های زمانی با دقت مورد قبول، حائز اهمیت بسیاری می باشد. در روش پیشنهادی از ترکیب الگوریتم تکاملی دیفرانسیلی و روش خوشه fuzzycmeans به عنوان یکی از الگوریتم های خوشه بندی مطرح و شناخته شده، برای خوشه بندی سری های زمانی استفاده گردید. در این روش برای کاهش مجهولات مسئله و در نتیجه افزایش کارایی الگوریتم، تکنیک های مختلف نمایش داده های مکانیزمانی را مورد بررسی قرار دادیم و از این میان روش ضرایب dct را برای کاهش مجهولات مراکز خوشه ها انتخاب کردیم. بدین مفهوم که الگوریتم تکاملی دیفرانسیلی انتخابی برای خوشه بندی، به جای یافتن تمامی المان های مراکز خوشه های موجود در مجموعه داده، تنها تعداد محدودی از ضرایب dct این مراکز را یافته و سپس با استفاده از همین ضرایب محدود مراکز خوشه ها بازسازی می شوند. با در نظر گرفتن تابع فاصله ی dynamic time warping و انتخاب تابع بهینه سازی مربوط به روش خوشه بندی fuzzycmeans، روش پیشنهادی بر روی دو مجموعه داده پیاده سازی شد و با روش خوشه بندی fcm و روش خوشه بندی مبتنی بر الگوریتم تکاملی دیفرانسیلی بدون استفاده از ضرایب dct مقایسه گردید. روش پیشنهادی کندتر از الگوریتم خوشه بندی fuzzycmeans بوده اما به دلیل استفاده از روش تبدیل کسینوسی گسسته برای کاهش مجهولات، سریع تر از روش خوشه بندی معمول مبتنی بر الگوریتم تکاملی دیفرانسیلی عمل می کند. همچنین نتایج حاصل از مقایسه ی این سه روش نشان دهنده ی عملکرد بهتر روش پیشنهادی نسبت به دو روش دیگر می باشد.