علی ریحانیان

شناسایی و گروه‌بندی وسایل دریایی در مناطق آبی، از اهمیت ویژه‌ای برخوردار است. اکثر تحقیقات در حوزه گروه‌بندی اشیاء دریایی، از رویکرد با ناظر استفاده می‌کنند و درنتیجه وابسته به فرایند آموزش بر روی مجموعه داده‌هایی می‌باشند که برچسب طبقه هر عضو، مشخص است. البته فراهم آوردن داده‌های برچسب‌دار، همیشه امکان‌پذیر نیست و در بسیاری از مواقع، مجموعه داده‌های واقعی، فاقد برچسب طبقه هستند. در این مقاله، یک روش جدید خوشه‌بندی اشیاء دریایی، با رویکرد بدون ناظر، ارائه شده است. روش پیشنهادی، شامل 4 مرحله‌ی تولید ویژگی، ایجاد ماتریس‌های شباهت، ایجاد ماتریس شباهت کل و تشخیص اجتماع می‌باشد. عمل خوشه‌بندی، برخلاف عموم روش‌های مشابه، نه با در نظر گرفتن تنها یک خصوصیت از اعضای یک مجموعه داده، بلکه با در نظر گرفتن چندین خصوصیت و با به‌کارگیری چندین الگوریتم تولید ویژگی برای کشف خصوصیات مذکور، انجام شده است، تا قابلیت وفق‌پذیری بیشتری با کاربردهای مختلف و متفاوت داشته باشد. سپس، با توجه به پتانسیل تئوری گراف، عمل خوشه‌بندی اشیاء دریایی، با به‌کارگیری مباحث مرتبط با حوزه تشخیص اجتماع در شبکه‌های اجتماعی، که ناظر به عمل خوشه‌بندی بر روی گراف‌ها هستند، صورت پذیرفته است. در این تحقیق، عملکرد روش پیشنهادی، با انجام آزمایش بر روی دو مجموعه داده حاوی فایل‌های صوتی مربوط به اشیاء دریایی، بررسی شده است. به منظور ارزیابی عملکرد روش پیشنهادی، از معیار شاخص ژاکارد استفاده شده است. عملکرد روش پیشنهادی، با در نظر گرفتن سه مورد از بهترین الگوریتم ‌های تشخیص اجتماع در مرحله چهارم آن، مقایسه شده است. نتایج نشان داده ‌اند که روش پیشنهادی توانسته است در بهترین حالت، به مقدار شاخص ژاکارد 0.923 و 0.800، به ترتیب بر روی مجموعه داده ‌های اول و دوم، دست پیدا کند. نتایج آزمایش مذکور، نشان از آن دارند که روش خوشه‌بندی ارائه شده، می ‌تواند به نتایج مناسبی دست پیدا کند، و راه حل مناسبی برای خوشه‌بندی اشیاء دریایی ارائه دهد.