ارائه ي الگوريتم نوين تشخيص همسايگي نقاط داده با استفاده از دايره ي آپولونيوس براساس ساختار هندسي

با توجه به اينكه نياز به يافتن همسايگي و ارتباط بين نقاط براي حوزه هاي خوشه‌بندي و دسته بندي از داده ها، تشخيص اجتماعات در شبكه هاي اجتماعي و دسته بند ي يال هاي مرتبط به هم در مصورسازي نقاط داده، غيرقابل‌انكار است، بنابراين رويكردي نوين براي يافتن همسايگي بين نقاط داده مسئله ي چالش‌برانگيز است. يافتن همسايگي نقاط داده در داده هاي عظيم و داده كاوي به‌صورت كلي بايد منجر به دسته بندي دقيق داده بر روي انواع پايگاه داده ها گردد. براي اين منظور، نوعي همسايگي كاربردي بايد در تحليل و گروه بندي داده هاي مشابه مشخص گردد. اساس بيشتر الگوريتم‌هاي ارائه‌شده در اين زمينه بر الگوريتم‌هاي يافتن همسايگي نقاط داده، روش‌هاي تحليل فاصله و مدل‌هاي آماري استوار است. مدل‌هايي كه تاكنون ارائه‌شده‌اند قابليت تحليل هم‌زمان و بررسي دقيق مكان‌هاي هندسي داده ها و ارتباطات هندسي بين آن‌ها را ندارند و همچنين بيشتر مدل‌هاي مطرح‌شده به تنظيم پارامترهاي همچون تعداد همسايگي و ناحيه ي همسايگي وابسته هستند. تمركز الگوريتم پيشنهادي بر روي ارائه‌ي مدل هندسي كاربردي و بررسي اتصالات و چگالي بين داده‌ها در حوزه هاي داده كاوي است. كاوش الگوهاي هندسي دقيق نسبت به ارتباطات داده ها در فضاي دقيق همسايگي مي‌تواند نظم رفتاري و شباهت بين داده ها را آشكار كند و همچنين بازه‌هاي چگال همسايگي شناسايي شوند. هدف يافتن همسايگي دقيق بر اساس دايره ي آپولونيوس و ارائه ي روشي نوين براي يافتن چگالي بين داده ها است كه مي‌توانند وضعيت همسايگي نقاط داده ها در حوزه هاي مورد ذكر را مشخص كنند. براي ارزيابي مدل پيشنهادي، دقت مدل پيشنهادي بر روي benchmark هاي معروف UCI با جديدترين روش‌هاي يافتن همسايگي نقاط داده ارائه‌شده در اين زمينه مقايسه مي‌شود.