انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 5 2 2023 01 21 A parametric method for fuzzy data clustering خوشه‌بندی داده‌های فازی با به کارگیری الگوریتمFCM بر مبنای یک معیار اندازه فاصله پارامتری 93 119 165900 10.22034/jfsa.2023.331678.1138 FA مدینه فرنام گروه مهندسی برق، دانشگاه شهید چمران اهواز-پردیس صنعتی شهدای هویزه، دشت آزادگان، ایران مجید دره میرکی گروه ریاضی و آمار، دانشگاه صنعتی خاتم الانبیاء بهبهان، بهبهان، ایران Journal Article 2022 07 13 Given that the current era is the era of information explosion, so the clustering of existing data and information is inevitable that must be done. Since in many cases we encounter widespread uncertainties in the available data, the best way to use clustering techniques is to combine them with fuzzy mathematics. Researchers have developed a variety of clustering algorithms for data clustering, some of which have fuzzy versions. The basic idea in fuzzy clustering is to assume that each cluster is a set of elements, then by changing the definition of element membership in this set from a state where an element can only be a member of a cluster, to a state where each element can To rank different memberships within several clusters, provide more realistic categories. The fuzzy mean c clustering algorithm (FCM) is the most common fuzzy clustering method. Various forms of FCM have been proposed so far. In this paper, based on FCM algorithm and similarity criterion, an efficient and robust clustering method for fuzzy data is proposed. This is the method. The similarity criterion proposed in this paper is based on α-sections and gives the decision maker the ability to make decisions at different levels. At the end, two numerical examples and a practical example are presented to show the efficiency of the proposed method. با توجه به اینکه عصر کنونی از حیثی عصر انفجار اطلاعات می باشد لذا خوشه بندی داده ها و اطلاعات موجود امری اجتناب ناپذیر است که باید صورت پذیرد. از آنجایی که در بسیاری از موارد با عدم قطعیت های گسترده ای در داده های موجود مواجه هستیم لذا بهترین راه برای استفاده از تکنیک های خوشه بندی، ترکیب آنها با ریاضیات فازی است. الگوریتم خوشه بندی C میانگین فازی (FCM) متداول‌ترین روش خوشه بندی فازی است، که تاکنون شکل‌های مختلفی از آن ارائه شده است. یکی از موثرین عوامل در بهبود عملکرد الگوریتم‌های خوشه‌بندی تعیین معیار فاصله و مشابهت کارآمد برای بهره-گیری در آن است. به طور کلی اندازه فاصله بین دو عدد فازی می‌تواند به صورتی قطعی یا پارامتری بیان شود. در این بین، معیارهای پارامتری انعطاف پذیری بیشتری برای حل مسئله فراهم می‌سازند. از این رو، در این مقاله ابتدا یک معیار فاصله پارامتری جدید معرفی می‌شود. در ادامه ضمن بررسی اصول موضوعی اندازه برای معیار پیشنهادی، الگوریتم FCM را بر مبنای آن و به عنوان یک روش خوشه بندی کارا و قوی برای داده های فازی ارائه می‌دهیم. با توجه به این که معیار بیان شده در این مقاله بر اساس α-برش‌ها (پارامتر مورد نظر) است، توانایی تصمیم گیری در سطوح مختلف را برای تصمیم‌گیرنده فراهم می‌سازد. در پایان دو مثال عددی و یک مثال کاربردی برای نشان دادن کارایی روش پیشنهادی ارائه شده است. https://jfsa.fuzzy.ir/article_165900_37e2cd7423c73eb2412572c37a5b7fa2.pdf