فرشته سادات حسینی - دانشگاه آزاد اسلامی
مهرداد جلالی - دانشگاه آزاد اسلامی
محمدحسین معطر - دانشگاه آزاد اسلامی

امروزه خوشه بندی داده های پویا با ابعاد بالا یک مساله چالش برانگیز است. اغلب الگوریتم های خوشه بندی موجود مبتنی بر ارتباط ایستا در میان داده ها هستند. خوشه بندی پویا مکانیزمی است که خوشه ها را در محیط های زمان واقعی کشف میکند. در محیط های پویا غیرممکن است که همه داده ها قبل از شروع خوشه بندی جمع شوند، وقتی داده جدید می اید خوشه بندی غیر افزایشی مجبور است کهدوباره خوشه بندی کند داده ها را که این کارایی را پایین می آورد. در حالی که خوشه بندی افزایشی فقط نیاز است که داده های جدید را گروه بندی کند و کلاسترهای جدید را به روز کند. الگوریتم خوشه بندی افزایشی Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN دو روش خوشه بندی مهم و عمومی برای دیتاست های پویا هستند. کارایی الگوریتم خوشه بندی افزایشی Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN از نظر تحلیل زمانی بسیار متفاوت است. در این مقاله الگوریتم خوشه بندی افزایشی Kmeans و الگوریتم خوشه بندی افزایشی DBSCAN پیاده سازی شده اند و از نظر کارایی و تحلیل زمانی بر روی پنج دیتاست عمومی ارزیابی شده اند.

خوشه بندی افزایشی، مبتنی بر چگالی، DBSCAN، Kmeans، داده های پویا