بهبود سرعت و دقت شبکه عصبی تابع پایه شعاعی مبتنی‌بر خوشه‌بندی‌های ++K-Means و DBSCAN برای مجموعه داده های بزرگ

شبکه‌های عصبی تابع پایه شعاعی در مسائل تقریبی مفید هستند، اما برای آموزش در داده‌های بزرگ، نیاز به زمان طولانی دارند و ازطرفی ممکن است داده‌ها نامعتبر و یا پرت باشند و آموزش آن با خطای نامناسب همراه باشد. خوشه‌بندی یکی از تکنیک‌های داده‌کاوی است که در شبکه عصبی تابع پایه شعاعی نیز بکار می‌رود. با این حال، استفاده از شبکه عصبی تابع پایه شعاعی در بسیاری از حوزه‌ها مانند پردازش تصویر، طبقه‌بندی متن، بیومتریک و ریزآرایه به دلیل اندازه بزرگ مجموعه داده‌ها، نیاز به زمان و حافظه طولانی برای پردازش دارد. با این حال، خوشه‌بندی می‌تواند این مشکل را بهبود بخشیده و مراکز توابع گوسی را به درستی در بین داده‌ها تعیین کند. در این مقاله، روش خوشه‌بندی جدیدی با استفاده از الگوریتم‌های ++K-Means و DBSCAN ارائه شده که می‌تواند با سرعت و دقت مناسب به بهبود شبکه عصبی تابع پایه شعاعی کمک نماید. در روش پیشنهادی، ابتدا داده‌ها توسط الگوریتم ++K-Means گروه‌بندی شده و سپس، الگوریتم DBSCAN به‌طور جداگانه برای هر گروه اعمال می‌شود و داده‌ها خوشه‌‌بندی می‌شوند. ایده این مقاله، در بهبود سرعت اجرای الگوریتم DBSCAN ازطریق کاهش محاسبات با تقسیم فضای کاری به تعدادی ناحیه جداگانه و استفاده از آن در شبکه عصبی تابع پایه شعاعی است. نتایج مدل پیشنهادی در مقایسه با شبکه عصبی تابع پایه شعاعی استاندارد و مدل بهبود یافته RBF-KMC برروی مجموعه داده‌های Image segmentation، Pendigit، Letters و Shuttle control نشان داده که از نظر زمان آموزش و دقت آزمایش نتایج بهتری داشته است.