مقایسه عملکرد شبکه های عصبی خود سازمانده مکانی و غیرمکانی در خوشه بندی داده های اجتماعی-اقتصادی بلوک های آماری شهر اصفهان(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
امروزه با افزایش حجم و ابعاد داده های مکانی و نیاز به درک کامل داده ها، شبکه های عصبی خودسازمانده به ابزاری استاندارد برای کار با داده های بزرگ و چند بُعدی تبدیل شده اند که می توانند در خوشه بندی، بصری سازی و انتقال داده های چند بُعدی در فضایی با ابعاد کمتر استفاده شوند. هدف از پژوهش حاضر، خوشه بندی داده های بلوک های آماری (شامل ده متغیر منتخب اجتماعی-اقتصادی مرتبط با رویکرد توسعه پایدار شهری) با شبکه های عصبی خودسازمانده بدون استفاده از پارامترهای مکانی و به کارگیری مختصات جغرافیایی بلوک های آماری به عنوان پارامتر مکانی در روند خوشه بندی و مقایسه نتایج حاصل شده، است. الگوریتم SOM رایج ترین شبکه عصبی خودسازمانده و الگوریتم Geo-SOMمکانی شده الگوریتم SOM است. روند خوشه بندی هر دو الگوریتم یکسان است و تنها تفاوت این دو الگوریتم به کا رگیری پارامترهای مکانی در روند اجرای الگوریتم Geo-SOM است. در پژوهش حاضر داده ها با الگوریتم SOM و Geo-SOM خوشه بندی شده است. نتایج نشان داد که خوشه های حاصل از دو الگوریتم به طور کامل، متفاوت است. خوشه بندی بلوک های آماری بدون توجه به خصوصیات مکانی و تنها با استفاده از معیار شباهت، منجر به خوشه های ناهمگن می شود و برعکس. با اعمال پارامترهای مکانی نه تنها از معیار شباهت، از ویژگی های مکانی داده ها نیز در فرآیند خوشه بندی استفاده می شود که این مسئله منجر به تولید خوشه های همگن می شود. ارزیابی نتایج با استفاده از ضریب سیلهوته بیانگر خوشه بندی مناسب تر الگوریتم Geo-SOM است؛ به طوری که میانگین ضریب سیلهونه برای الگوریتم SOM برابر 02/0- و برای الگوریتم Geo-SOM برابر 27/ 0است. مقایسه نتایج نشان دهنده تأثیر مثبت پارامترهای مکانی در خوشه بندی داده های اجتماعی و اقتصادی است.