استخراج الگوهای لرزه ای با استفاده از خوشه بندی فازی بهینه شده با الگوریتم بهینه سازی توده ذرات

شناسایی الگوها در داده های لرزه ای از طریق خوشه بندی، به عنوان یکی از رایج ترین روش های داده کاوی، منجر به استخراج اطلاعات بسیار مهمی از یک حجم زیاد داده می شود. به دلیل ماهیت داده های لرزه ای، الگوریتم های خوشه بندی فازی نتایج واقع بینانه تری را ارائه می کنند. اگرچه الگوریتم های بسیاری بدین منظور ارائه شده است اما حساس بودن به مقادیر اولیه و به تله افتادن در جواب های بهینه محلی ازجمله مشکلاتی است که در رابطه با روش های ارائه شده برای خوشه بندی وجود دارد. ازاین رو، در این مقاله الگوریتم های فرا ابتکاری به عنوان روش های بهینه سازی کارآمد به منظور رفع مشکلات روش های خوشه بندی پیشنهادشده اند. در این مقاله سعی شد تا با استفاده از ترکیب الگوریتم بهینه سازی توده ذرات و دو الگوریتم خوشه بندی فازی Gustafson Kessel و Fuzzy c-means دو رویکرد برای خوشه بندی داده های لرزه ای ارائه شود. هریک از این دو الگوریتم که به ترتیب PSO-GK و PSO-FCM نامیده می شوند بر روی داده های لرزه ای ساختگی و داده های لرزه ای ایران اعمال شدند. به منظور ارزیابی نتایج حاصل از دو الگوریتم، سه معیار ارزیابی خوشه بندی فازی یعنی FHV، متوسط چگالی بخش بندی و چگالی بخش بندی مورداستفاده قرار گرفتند. مقدار FHV در الگوریتم PSO-GK به میزان 4272/0 برای داده های ساختگی و به میزان 0941/0 برای داده های لرزه ای ایران کمتر (بهتر) از مقدار این معیار در الگوریتم PSO-FCM می باشد. همچنین مقادیر دو معیار ارزیابی دیگر هم برای داده های ساختگی و هم برای داده های لرزه ای ایران در الگوریتم PSO-GK دارای مقادیر بهتری می باشند که نشان از کارایی بهتر الگوریتمی است که بر مبنای Gustafson Kessel ارائه شده نسبت به الگوریتمی که برمبنای Fuzzy c-means ارائه شده برای تحلیل داده های لرزه ای دارد.