Comparing the Performance of Spatial and Non-Spatial Self-Organizing Neural Networks in Clustering Socio-Economic Data of Isfahan Census Blocks

Comparing the Performance of Spatial and Non-Spatial Self-Organizing Neural Networks in Clustering Socio-Economic Data of Isfahan Census

Blocks

Babak Mirbagheri (Corresponding author)

Assistant Professor, Center for Remote Sensing and GIS Research, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

ORCID: 0000-0002-4161-1540 E-mail: b_mirbagheri@sbu.ac.ir

Hadi Tariqlizadeh

Ph.D. Student of Remote Sensing and GIS, Center for Remote Sensing and GIS Studies, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

Abstract

The increasing volume and dimensions of spatial data have made self- organizing neural networks a prominent tool for analyzing large and multi- dimensional datasets. Clustering, an approach for extracting knowledge from big data, aims to group similar data into clusters. This research focused on clustering socio-economic data of census blocks associated with urban sustainable development using self-organizing neural networks with and without spatial parameters referred to as SOM and Geo-SOM, respectively.

Both algorithms employ the same clustering process but differ in the

inclusion of spatial parameters, specifically the geographic coordinates of

block centroids, in the Geo-SOM algorithm. The SOM and Geo-SOM algorithms were trained and applied to cluster the data. The resulting clusters exhibited distinct dissimilarities, demonstrating that clustering census block data solely based on non-spatial attributes leads to heterogeneous and incongruent clusters, whereas incorporating spatial parameters yields homogeneous and congruent clusters. Evaluation of the results using Silhouette coefficient indicated that Geo-SOM outperformed SOM in clustering the data with average Silhouette coefficients of -0.02 and 0.27 for SOM and Geo-SOM, respectively. Comparison of the outcomes highlighted the positive impact of incorporating spatial parameters on clustering socio- economic data.

Keywords: Self-organizing neural networks, SOM, Geo-SOM, Clustering, Spatial data, Census blocks, Isfahan City

Introduction

In recent years, there has been a significant increase in the volume of

spatial data available. To gain a comprehensive understanding of spatial data,

it is crucial to extract meaningful knowledge from it by considering its

unique characteristics. This process, known as "Knowledge Discovery in

Databases" (KDDs), utilizes methods, such as Artificial Neural Networks

(ANNs) to extract useful information and knowledge. Clustering, a widely

used technique for large-scale data analysis, aims to group similar data into

clusters while reducing the data size and ensuring that the internal differences

within clusters are significantly smaller than the differences between clusters.

However, clustering algorithms for spatial data differ from those for non- spatial data. Therefore, this research focused on using self-organizing neural networks to cluster socio-economic data related to sustainable urban development while comparing the performance of two algorithms, SOM and Geo-SOM, for this task.

Methodology

This research utilized socio-economic data of Isfahan census blocks (2015) obtained from Iranian Statistics Center. The dataset consisted of 13,362 statistical blocks, each characterized by socio-economic variables.

The SOM and Geo-SOM algorithms were employed to cluster the socio-

economic data of census blocks and their results were compared. The self-

organizing map is a single-layer feed-forward neural network that organizes

output neurons in a low-dimensional topological structure. The SOM

effectively maps high-dimensional data onto two-dimensional feature maps,

forming networks of units or neurons. On the other hand, the Geo-SOM

algorithm is an adaptation of the self-organizing map that incorporates a

competitive learning process, focusing more on spatial aspects by restricting

the search for the Best Matching Unit (BMU) to the geographical proximity

of input patterns. Visualization tools, such as the U-matrix, Component

Plane, and Hits Maps are employed to analyze the output of SOM and Geo-

SOM algorithms. The network topology in this study was set to 7 x 7 after

assessing multiple U-matrix sizes to identify clusters, resulting in a network

with 49 neurons. Evaluation of the clustering results was performed using

Silhouette coefficient, which measured similarity of the data within clusters and their dissimilarity between clusters.

Research Findings

The results obtained from this study revealed a fundamental distinction between the SOM and Geo-SOM algorithms, primarily stemming from their respective approaches to mapping input vectors onto network neurons, which in turn led to disparate clustering outcomes. Analysis of the component planes for both algorithms demonstrated notable variations in the relative weight assigned to each variable during the mapping process. Specifically, within the SOM algorithm, higher values of the variable of married population ratio tended to be associated with neurons corresponding to Cluster No. 4, while lower values exhibited a preference for neurons corresponding to Cluster No. 1. In contrast, the Geo-SOM algorithm assigned higher values of this variable to Clusters No. 8 and 9, with lower values predominantly allocated to Clusters No. 2 and 10.

The SOM algorithm yielded intertwined, heterogeneous, and scattered clusters when applied to the census block data. In contrast, the Geo-SOM algorithm achieved the classification of census block data into homogeneous and congruous clusters through the utilization of spatial parameters. Notably, the Geo-SOM algorithm exhibited a higher clustering quality as indicated by its average Silhouette coefficient of 0.27, surpassing the SOM algorithm's average Silhouette coefficient of -0.02.

Discussion of Results & Conclusion

This research employed two self-organizing map algorithms, SOM and Geo-SOM, to cluster census block data with the incorporation of spatial parameters. By integrating the geographic coordinates of census block centroids with other non-spatial inputs, we observed the positive impact of spatial parameters in the clustering process within the Geo-SOM algorithm.

Comparatively, Geo-SOM exhibited superior performance, yielding cohesive and meaningful clusters of statistical blocks based on their similarities and spatial characteristics. The findings underscored the potential of the Geo- SOM algorithm in delineating homogeneous regions and identifying similar blocks within real-world datasets. We can conclude that utilization of this algorithm holds practical value for facilitating urban planning endeavors as it enables identification of homogeneous areas aligned with sustainable urban development principles and selected variables.

References

Aldegheishem, A. (2014). Evaluating the urban sustainable development on the basis of AHP: A case study for Riyadh city. Journal of Sustainable Development, 7(2), 113.

Andrienko, G., Andrienko, N., Bak, P., Bremm, S., Keim, D., von

Landesberger, T., & Schreck, T. (2010). A framework for using self-

organising maps to analyse spatio-temporal patterns, exemplified by

analysis of mobile phone usage. Journal of Location Based Services, 4(3-

4), 200-221.

Bação, F., Lobo, V., & Painho, M. (2004). Geo-self-organizing map (Geo- SOM) for building and exploring homogeneous regions. In International Conference on Geographic Information Science (pp. 22-37). Springer, Berlin, Heidelberg.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37-37.

Galutira, E. F., Fajardo, A. C., & Medina, R. P. (2019). A Novel Kohonen Self-organizing Maps Using Exponential Decay Average Rate of Change for Color Clustering. In Intelligent and Interactive Computing (pp. 23-33).

Springer, Singapore.

Grubesic, T. H., Wei, R., & Murray, A. T. (2014). Spatial clustering overview and comparison: Accuracy, sensitivity, and computational expense. Annals of the Association of American Geographers, 104(6), 1134-1156.

Hagenauer, J., & Helbich, M. (2016). SPAWNN: A Toolkit for SPatial Analysis with Self‐Organizing Neural Networks. Transactions in GIS, 20(5), 755-774.

Hagenauer, J., & Helbich, M. (2018). The Application of the SPAWNN

Toolkit to the Socioeconomic Analysis of Chicago, Illinois. Trends in

Spatial Analysis and Modeling: Decision-Support and Planning Strategies, 75-90.

Hsu, K. C., & Li, S. T. (2010). Clustering spatial–temporal precipitation data using wavelet transform and self-organizing map neural network.

Advances in Water Resources, 33(2), 190-200.

Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys (CSUR), 31(3), 264-323.

Kassambara, A. (2017). Practical guide to cluster analysis in R:

Unsupervised machine learning (Vol. 1). Sthda.

Kaufman, L., & Rousseeuw, P. J. (2009). Finding groups in data: an introduction to cluster analysis. John Wiley & Sons.

Klösgen, W., & Żytkow, J. M. (1996). Knowledge discovery in databases terminology. In Advances in Knowledge Discovery and Data Mining (pp.

573-592). American Association for Artificial Intelligence.

Kohonen, T. (1995). Self-Organizing Maps, Springer Series in Information Science (Vol. 30). Springer.

Lez’er, V., Semerianova, N., Kopytova, A., & Truntsevsky, Y. (2019).

Youth entrepreneurship as a basis for sustainable urban development:

Social and legal aspect. In E3S Web of Conferences (Vol. 110, p. 02093).

EDP.

Li, T., Sun, G., Yang, C., Liang, K., Ma, S., & Huang, L. (2018). Using self-organizing map for coastal water quality classification: Towards a better understanding of patterns and processes. Science of the Total Environment, 628, 1446-1459.

Liao, X., Tao, H., Gong, X., & Li, Y. (2019). Exploring the database of a soil environmental survey using a geo-self-organizing map: A pilot study.

Journal of Geographical Sciences, 29, 1610-1624.

Löhr, S. C., Grigorescu, M., Hodgkinson, J. H., Cox, M. E., & Fraser, S. J.

(2010). Iron occurrence in soils and sediments of a coastal catchment: A multivariate approach using self organising maps. Geoderma, 156(3-4), 253-266.

Miller, H. J. (2010). The data avalanche is here. Shouldn’t we be digging?.

Journal of Regional Science, 50(1), 181-201.

Openshaw, S. (1999). Geographical data mining: Key design issues. In

Proceedings of GeoComputation (Vol. 99).

Park, Y. S., Chon, T. S., Bae, M. J., Kim, D. H., & Lek, S. (2018).

Multivariate data analysis by means of self-organizing maps. In Ecological Informatics (pp. 251-272). Springer, Cham.

Patel, P., & Patel, A. (2021). Use of sustainable green materials in construction of green buildings for sustainable development. In IOP Conference Series: Earth and Environmental Science (Vol. 785, No. 1, p.

012009). IOP Publishing.

Rodrigues, M., & Franco, M. (2020). Measuring the urban sustainable development in cities through a Composite Index: The case of Portugal.

Sustainable Development, 28(4), 507-520.

Sheela, K. G., & Deepa, S. N. (2012). An efficient hybrid neural network model in renewable energy systems. In 2012 IEEE International Conference on Advanced Communication Control and Computing Technologies (ICACCCT) (pp. 359-361). IEEE.

Stefanovic, P., & Kurasova, O. (2011). Visual analysis of self-organizing maps. Nonlinear Analysis: Modeling and Control, 16(4), 488-504.

Stefanovic, P., & Kurasova, O. (2018). Outlier detection in self-organizing

maps and their quality estimation. Neural Network World, 28(2), 106-117.

Sui, D. Z. (2004). Tobler's first law of geography: A big idea for a small world?. Annals of the Association of American Geographers, 94(2), 269- 277.

Tao, Y., Li, Y., & Lin, X. (2018). A Deep Clustering Algorithm Based on Self-organizing Map Neural Network. In International Conference on Intelligent Computing (pp. 182-192). Springer, Cham.

Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region. Economic Geography, 46(sup1), 234-240.

Vesanto, J., & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3), 586-600.

Wankhede, S. B. (2014). Analytical study of neural network techniques:

SOM, MLP, and classifier-a survey. IOSR J. Comput. Eng. Ver. VII, 16(3), 2278-661.

Wehrens, R., & Kruisselbrink, J. (2018). Flexible self-organizing maps in kohonen 3.0. Journal of Statistical Software, 87, 1-18.

Yuan, M., Buttenfield, B., Gahegan, M., & Miller, H. (2004). Geospatial

data mining and knowledge discovery. A Research Agenda for

Geographic Information Science, 3, 365.

Zhang, J., & Fang, H. (2012). Using Self-Organizing Maps to Visualize, Filter, and Cluster Multidimensional Bio-Omics Data. Applications of Self-Organizing Maps, 181-204.

Figures & Tables

Fig. 1: Regions and census blocks of Isfahan City

Fig. 2: Diagram of Self-Organizing Map (SOM) algorithm

Fig. 3: Diagram of Geo-SOM algorithm

Fig. 4: U-mat cluster number of SOM and Geo-SOM algorithms

Fig. 5: Component planes of SOM algorithm

Fig. 6: Component planes of Geo-SOM algorithm

Fig. 7: Hits Map of SOM and Geo-SOM algorithms

Fig. 8: Map of clustered census blocks of Isfahan City produced by SOM

algorithm

Fig. 9: Map of clustered census blocks of Isfahan City produced by Geo- SOM algorithm

Table 1: Average values of socio-economic variables in the clusters produced by SOM algorithm

Table 2: Average values of socio-economic variables in the clusters

produced by Geo-SOM algorithm

[Type here]

1

هداز یلقیرات یداه ،

یرتکد یوجشناد و رود زا شجنس

و رود زا شجنس تاعلاطم زکرم ،GIS ،GIS

دکشناد ۀ یتشهب دیهش هاگشناد ،نیمز مولع ناریا ،نارهت ،

یرقابریم کباب رایداتسا ،

و رود زا شجنس تاعلاطم زکرم دکشناد ،GIS

ۀ مز مولع ی

،ن هش هاگشناد ی

د

تشهب ،ی ناریا ،نارهت دنسیون(

ۀ )لوئسم

یلع ناکتم ربکا

، داتسا زکرم تاعلاطم شجنس

زا رود GIS و

، دکشناد ۀ مولع

،نیمز هاگشناد دیهش

،یتشهب

،نارهت ناریا

ۀسیاقم درکلمع

هکبش یاه یبصع دوخ دنامزاس ۀ

رد یناکمریغ و یناکم هشوخ

هداد یدنب یاه

یعامتجا -

یداصتقا کولب

یاه ناهفصا رهش یرامآ

هدیکچ اب هزورما ازفا

ی ش با و مجح داع

هداد اه ی زاین و یناکم ب

ه کرد لماک هداد اه ، هکبش اه ی بصع هدنامزاسدوخ ی رازبا هب

ی

ارب درادناتسا ی

اب راک هداد یاه و گرزب دنچ ُب یدع دبت ی ل هدش دنا هک م ی ناوت ن د رد هشوخ دنب ی

، یرصب یزاس و لاقتنا

هداد اه ی دنچ ُب دع ی اضف رد یی وش هدافتسا رتمک داعبا اب ن

.د فده رضاح شهوژپ زا ،

هشوخ هداد یدنب یاه

کولب یاه

یرامآ لماش(

یعامتجا بختنم ریغتم هد -

یداصتقا طبترم

درکیور اب ۀعسوت

یرهش رادیاپ )

اب هکبش اه ی بصع ی

هدنامزاسدوخ یناکم یاهرتماراپ زا هدافتسا نودب

و ب ه یریگراک ییایفارغج تاصتخم

کولب یاه ب یرامآ ه رتماراپ ناونع

یناکم دنور رد هشوخ یدنب و ۀسیاقم جیاتن لصاح هدش

، تسا . متیروگلا جیارSOM

نیرت کبش ۀ بصع هدنامزاسدوخ ی و

متیروگلا Geo-SOM

یناکم ۀدش متیروگلا تسا SOM

. دنور هشوخ یدنب اهنت و تسا ناسکی متیروگلا ود ره

متیروگلا ود نیا توافت ب

ه ک ا یریگر دنور رد یناکم یاهرتماراپ متیروگلا یارجا

Geo-SOM تسا

. رضاح شهوژپ رد

هداد متیروگلا اب اه و SOM

Geo-SOM هشوخ

دش یدنب تسا ه

. داد ناشن جیاتن هک

هشوخ یاه ود زا لصاح

متیروگلا هب

،لماک روط .تسا توافتم

هشوخ یدنب ولب ک یاه آ م را یناکم تایصوصخ هب هجوت نودب ی اهنت و

اب هدافتسا

هب رجنم ،تهابش رایعم زا هشوخ

یاه نگمهان یم دوش و .سکعرب یناکم یاهرتماراپ لامعا اب

هن تهابش رایعم زا اهنت

،

زا یگژیو یاه یناکم هداد اه رد زین هشوخ دنیآرف یدنب

هدافتسا یم

دوش هک نیا هلئسم هب رجنم دیلوت

هشوخ یاه

نگمه یم دوش . جیاتن یبایزرا هدافتسا اب

زا بیرض هتوهلیس رگنایب

هشوخ یدنب بسانم رت متیروگلا Geo-SOM

تسا

؛

هب یروط متیروگلا یارب هنوهلیس بیرض نیگنایم هک ربارب SOM

20 / 2 - متیروگلا یارب و Geo-SOM

ربارب 02 /

2 تسا . ۀسیاقم جیاتن ناشن دنهد ۀ ریثأت رد یناکم یاهرتماراپ تبثم هشوخ

هداد یدنب یاه

یداصتقا و یعامتجا تسا

.

هژاو :یدیلک یاه هکبش

یاه ،هدنامزاسدوخ یبصع Geo-SOM

، هشوخ یدنب ، هداد یاه یناکم کولب ، یاه

یرامآ ، رهش ناهفصا .

[Type here]

2

[Type here]

3

همدقم لاس رد نازیم ریخا یاه هداد

یاه یناکم رد سرتسد هب

.تسا هتفای شیازفا تدش یارب

کرد لماک هداد یاه یناکم

مزلا تسا یشناد هداس و یمومع زا هداد یاه یناکم اب رد رظن نتفرگ تایصوصخ ۀژیو

جارختسا ناکم دوش

. هب رف آ دنی

ییاسانش یاهوگلا

،ربتعم

،دیدج دیفم و لباق مهف رد هداد اه

« فشک شناد رد هاگیاپ هداد

» KDD( )

Knowledge Discovery in Database( )

هتفگ یم دوش Fayyad et al., 1996( ).

فشک شناد ییایفارغج

GKD( ) Geographic Knowledge Discovery( )

هب یانعم نیب طباور زا شناد فشک هدیدپ

یاه ارغج ف ییای

هک تسا ریز

عومجم ۀ تسا KDD . ی ک ۀفلؤم یلصا رد دنیآرف نیا هداد

یواک یناکم ( )SDM ( Spatial Data

Mining )

اهوگلا هک تسا و

طباور هتخانشان ار

رد هاگیاپ هداد یاه یناکم فشک یم دنک ( Klösgen & Zytkow,

).1996 اب هب هدرتسگ زاین و تیمها هب هجوت شناد

جارختسا زا هدش هداد یاه یناکم یم هک تفگ ناوت 1

- هداد یاه اب

داعبا لااب یم دناوت یارب ریسفت و هیزجت و لیلحت شلاچ زیگنارب دشاب ؛ 0 - نازیم تابساحم اب

داعبا هداد اه رد طابترا و

هیزجت و لیلحت هداد یاه اب داعبا لااب زا رظن یتابساحم رپ

هنیزه

؛تسا 3 - طباور نیا هداد یاه اب داعبا لااب هب یتحار لباق

مسجت تسین . هشوخ یدنب یکی زا شور یاه درادناتسا یارب

راک اب هعومجم هداد

یاه گرزب تسا اریز ؛ مجح هداد اه ار

اب یکی ندرک هداد یاه هباشم رد هورگ اه ( هشوخ اه ) شهاک یم

؛دهد هب یروط هک یلخاد توافت هداد

اه هب روط

،یریگمشچ رتمک

زا توافت یاه نیب هشوخ یا یم دوش Andrienko et al., 2010( .)

هشوخ دنب ی زا

،یفرط ی ک ی زا

ساسا ی رت ی ن لئاسم ی گدا ی ر

ِی شام ی ن ۀ تراظن هدشن

،رگید فرط زا و شور

ی فم ی د جارختسا رد زا شناد

هداد اه ی ناکم ی

تسا هک لصا فده ی

کفت نآ ی ک هداد اه رد هشوخ اه یی یگژیو اب یاه

هباشم تسا Jain et al., 1999( ).

راتخاس

هداد اه اب هشوخ یدنب یهدنامزاس و

زجت ی ه و لحت ی ل فاشتکا و هداد

اه لیهست یم .دوش

هداد یاه یناکم بلغا دوخ یگتسبمه یناکم

( Spatial Autocorrelation )

دنراد هک کی موهفم یساسا رد مولع

یناکم ( تسا Sui, 2004 )

و نیدب تسانعم هک

هدیدپ یاه کیدزن تهابش یاه یرتشیب تبسن

هب هدیدپ ییاه دنراد

هک زا رگیدکی هلصاف دنراد ( Tobler, 1970 ).

هشوخ یدنب یناکم

، یهدنامزاس ایشا

یناکم رد هشوخ

؛تساه هب هنوگ یا

هک ایشا لخاد کی هشوخ هن اهنت زا رظن یگژیو یاه ایشا ، زا رظن یناکم رگیدکی هب زین هباشم

دنتسه اب و یشا ا لخاد

هشوخ یاه توافت رگید دنراد

( Miller, 2010 ).

متیروگلا هشوخ

دنب هداد ی یاه ناکم ،ی ساسارد اب

هداد اه ی

غ ی ر یناکم تسا توافتم Grubesic et al., 2014(

) ی . ک و ی گژ ی ساسا ی هداد اه ی ناکم ی ا ی ن هک تسا دهاشم

ه اه

رتشیب ناکم هب هتسباو تسا

Sui, 2004( ).

رگا هداد اه ی ناکم ی هدیدان اب یناکم یگتسباو نتفرگ هشوخ

یدنب دنوش

،

تسا نکمم هب رجنم

هشوخ یدنب بسانمان هداد

اه وش ن د Openshaw, 1999 ( ).

هب ناققحم روگلا

ی مت اه ی

هشوخ دنب ی یناکم نایلاس یط رد هدرک هجوت

دنا متیروگلا دادعت اریز ؛ هک ییاه

گتسباو ی ناکم ی دنور رد ار هداد

اه ظاحل

هدرک تسا دودحم ،دنا .

هداد واک ی یناکم ب اب ه یریگراک هکبش

یاه یعونصم یبصع ANN(

) Artificial Neural Networks( )

اپ و ی هاگ

داد ه یاه یناکم ( Spatial Database )،

رد هتخانشان طباور و اهوگلا هداد

اه یم فشک ار دنک

ار تاعلاطا ات جارختسا

و رد تیاهن

، ار اهنآ دج شناد هب ی

د فم هوقلاب و ی

د لیدبت دنک ( Yuan et al., 2004 ).

موهفم زاANN

یفرعم نامز

رد هیلوا هد ۀ یدلایم1980

تسا هتفای یدایز عونت و شرتسگ هب ؛

هک یروط زا یکی هب هزورما

هزوح یاه

ّعف رایسب لا

یشهوژپ تسا هدش لیدبت

. ب ازفا ا ی ش با و مجح داع

هداد اه هب زاین و تابساحم ناوت

ی قیقد و لااب ،

هکبش اه ی بصع ی

عونصم ی رازبا هب ی ارب درادناتسا ی

لئاسم لح هشوخ

یدنب و هقبط دنب ی دبت ی ل هدش دنا .

ی ک ی عاونا زا هکبش اه ی بصع ی عونصم ،ی شقن ۀ دوخ هدنامزاس Organizing Map(

- )Self SOM( ) تسا هک

Kohonen رد

زاغآ 1980 ۀهد

یدلایم داهنشیپ

.درک متیروگلا م SOM

ی دناوت ارب ی هشوخ دنب

،ی یرصب یزاس و

لاقتنا هداد اه ی دنچ ُب دع ی اضف رد یی دوش هدافتسا رتمک داعبا اب , 2018(

Kurasova

&

Stefanovic ).

ۀشقن

[Type here]

4

دوخ هدناماس (

)SOM لوادتم رت ی ن جیار و متیروگلا نیرت ارب

ی هشوخ دنب ی هداد اه ا اب عب ا د لااب ی و ا دنچ ُب دع ی تسا

( Galutira et al., 2019 ).

متیروگلا یSOM

ک کبش ۀ یبصع تسا تراظن نودب هک

هداد اه ی ب ا ا عب ا د لااب ی ا

دنچ ُب دع ی رد ار ی ک اضف ی کت ُب ،یدع ود ُب صاخ یدراوم رد و یدع هس

ُب دع ی ن هشقن مان هب تشاگ

م ی نک د

Wankhede, 2014( ).

لصا رصنع ی

متیروگلا تباقر SOM

فاطعنا ذپ ی ر هرگ اه رد لا ۀی جورخ ی تسا رد هک ره

رارکت

، هرگ هدنرب هن اهنت هب زور م ی دوش اسمه ، ی ناگ ن نآ ی ز ت لیدع م ی وش د کبش . SOM ۀ م ی دناوت هب هنوگ یا میظنت

هک دوش هداد

یاه هورگ ی و سلاک اه ی هب تبسن اب هباشم رگیدکی

ار دنک ییاسانش , 2012(

Deepa

&

Sheela ).

Bação et al.

متیروگلا Geo-SOM

ار لاس رد یفرعم 2005

دندرک هک قابطنا تفای ۀ روگلا ی SOM مت و ینتبم

رب دنیآرف یریگدای یتباقر

تسا و هبنج یناکم دراد

؛ اریز تسج و ار وج هب ترواجم ییایفارغج

یاهوگلا یدورو

دودحم

یم دنک ( Helbich, 2016

&

Hagenauer ).

مهم رت ی ن زم ی ت متیروگلا ود و SOM

SOM - رد Geo اقم ی هس اب

اس ی ر شور اه ی هداد واک ی ا ی ن تسا هک نیا متیروگلا اه هن اهنت ار هجیتن هب

تروص دروآرب اه ی ددع ی رتشیب(

شور اه ی

هداد واک )ی ب ه تسد یم نروآ د تن ، ی هج ار هب رصب تروص ی

زین هئارا م ی دننک ( , 2011 Kurasova

&

Stefanovic ).

یرصب یزاس هزاجا ناققحم هب م

ی دهد ات هشوخ اه ب طباور و ی

ن هداد اه بب ار ی دنن و اتن ی ج هشوخ دنب ی ار و لیلحت سفت

ی ر

دننک ( , 2012 Fang

&

Zhang ).

شهوژپ ۀنیشیپ شهوژپ یاه

ّدعتم یارب فلتخم تاعوضوم رد ید هشوخ

یدنب زا هدافتسا اب متیروگلا

SOM یاه .تسا هدش ماجنا

Hagenauer & Helbich 2016 (

) ناونع اب یشهوژپ SPAWNN«

یرازبا یارب لیلحت ییاضف اب هکبش یاه

یبصع هدنامزاسدوخ »

هداد ماجنا ناققحم .دنا

ب اب ه یریگراک متیروگلا

CNG یاه Contextual Neural Gas(

) و

Geo-SOM هداد

یاه یعامتجا -

یداصتقا کولب

یاه یرامشرس لاس

رد ار یدلایم 2010 تلاایا

هدحتم اب

یاهریغتم

،تیموق

،نس نکسم و راوناخ یاه وگاکیش رهش هشوخ

دندرک یدنب .

جیاتن شهوژپ شنیب

یاه یمهم ار

ۀرابرد یگژیو یاه یعامتجا -

یداصتقا رهش

وگاکیش ناشن داد هک رهش نیا هب

لیلد عونت یعامتجا -

یداصتقا اب

کیکفت

یتیموق دیدش رد

رسارس قطانم یرهش هجاوم .تسا

et al.

( Li )2018 ناونع اب یشهوژپ رد ا«

هدافتس زا ۀشقن یهدنامزاسدوخ یارب

هقبط یدنب تیفیک بآ یلحاس :

هب یوس کرد رتهب اهوگلا و اهدنیآرف

» متیروگلا ار SOM

هقبط یارب بآ تیفیک یدنب

یلحاس یاه ب

ه دندرب راک .

رد

نیا شهوژپ یسررب یارب یگژیو

رد بآ تیفیک ییاضف یاه یحان

ۀ نایجوف یلحاس ،

11 رد بآ یفیک ریغتم 1۹

لحم

هنومن یرادرب هدش .دش یسررب نیا رد

شهوژپ یارب ناشن نداد بآ تیفیک یاهریغتم یاهوگلا زا

تاحفص ۀفلؤم SOM

Component Planes( )

هدافتسا دش نآ رد هک دندوب طابترا رد رگیدکی اب هک ییاهریغتم یارب یهباشم یاهوگلا

،

هک دش هدهاشم ناشن

دنهد ۀ کرتشم عبنم کی دوب

. ناشن جیاتن اد

د متیروگلا هک SOM

رازبا کی م

ؤ رث کرد یارب

تسا بآ تیفیک کرحم یاهدنیآرف و اهوگلا رتهب .

et al.

( Liao )2019 ناونع اب یشهوژپ رد

« شواک هاگیاپ هداد کی یسررب یطیحم کاخ اب هدافتسا زا کی ۀشقن

ییایفارغج دوخ

یهدنامزاس :

کی علاطم ۀ یشیامزآ

» متیروگلا یارب ار SOM

هشوخ یدنب هاگیاپ داد ۀ تسیز یطیحم

کاخ ب ه ندرب راک .د هعومجم هداد

اه اب شور هنومن یرادرب مظنم هکبش ییا زا 5 زلف نیگنس و هنومن یاه کاخ زین زا 5

رصنع عونتم اب یگلوچ لااب لیکشت هدش دوب . و As یحطس عیزوت یوگلا Pb

و تاحفص ۀفلؤم

دنتشاد یهباشم هک

ناشن هدنهد یگتسبمه یلااب

تسا رصنع ود نیا

؛ نیا هب نعم ا هک اهنآ کاخ طیحم رد زین

یهباشم راتفر اد

ر دن .

نیشیپ تاعلاطم یسررب ناشن

ۀدنهد بسانم درکلمع هکبش

یاه رد هدنامزاسدوخ یبصع هشوخ

دنب ی هداد اه تس . رد

تاعلاطم نیا ناققحم

اب هجوت هب تیمها هداد یواک شناد و هب

تسد لیلحت زا هدمآ هداد

اه و ییاناوت یاه متیروگلا یاه

هکبش یاه رد یبصع هداد

یواک

، هبنج فلتخم یاه متیروگلا

یاه هکبش یاه یبصع هدنامزاسدوخ هدرک یسررب ار

.دنا

[Type here]

5

یناهج نویسیمک طیحم

هعسوت و تسیز (

World Commission on Environment and Development )

( )WCED عسوت موهفم

ۀ رادیاپ ار هب ناونع هعسوت یا یاهزاین هک ار رضاح لسن

ییاناوت نتخادنا رطخ هب نودب

لسن یاه دوخ یاهزاین ندروآرب یارب هدنیآ یم عفترم

دنک

، فیرعت هدرک تسا Aldegheishem, 2014( .)

یرادیاپ

تسا یگنهرف و یداصتقا ،یکیزیف داعبا لماش یرهش Rodrigues & Franco, 2020(

.) یلصا فده عسوت

ۀ

و ظفح ،همه یارب یگدنز حطس یاقترا و دوبهب ،یساسا یاهزاین نیمأت ،رادیاپ رادا

ۀ رتهب متسیسوکا و اه

هدنیآ یا

نما .تسا دنمتداعس و رت عسوت

ۀ رادیاپ رد رهش رد یژرنا شدرگ نآ یط هک تسا یدنیآرف یرهش طیارش

یلقادح

،یدرکلمع نیرتشیب

ار ییاراک دراد

رصانع ندروآ رد تکرح هب رد ار یناسکی عیزوت و هب

کی ناونع عومجم

ۀ هچراپکی

یم داجیا لصتم و دنک

،یدابآرفص و ییاوقت(

1310 ).

دوجواب یایازم ناوارف ب ه یریگراک ۀکبش

یبصع دوخ هدنامزاس رد

هشوخ هداد یدنب یاه

داعبا اب لااب تردق و ریسفت

نآ یریذپ یسررب ،

شهوژپ ۀنیشیپ ناشن

یم دهد هک شهوژپ رد یاه

یلخاد زا هدافتسا هب متیروگلا

یاه رد قوف هشوخ

هداد یدنب یعامتجا یاه

- یداصتقا اب طبترم

ۀعسوت یرهش رادیاپ

هدشن هجوت تسا

؛ نیاربانب رد شهوژپ رضاح رب یعس نآ هک تسا هولاع

زا هدافتسا رب هکبش

یاه بصع ی دوخ هدنامزاس

هشوخ یارب یدنب

هداد یاه عامتجا ی - داصتقا ی اب طبترم عسوت

ۀ اپ ی راد رهش ،ی درکلمع ود متیروگلا و SOM

- Geo

ردSOM هشوخ هداد یدنب یاه

زین قوف .دوش هسیاقم

قطنم ۀ هعلاطم هدش

رهشنلاک ناهفصا

رهش نیموس رپ

ناریا تیعمج اب

ییایفارغج لوط 5۹

هجرد و 31 و هقیقد ۹2

یناث ۀ و یقرش ضرع

ییایفارغج 5

3 و هجرد 3۳ و هقیقد 32

یناث ۀ یلامش تسا . نیا رهشنلاک 15

ۀقطنم یرادرهش دراد

و مکارت نیرتشیب

تیعمج نآ

ب ه نم هب قلعتم بیترت ا

قط ۳ و 12 .تسا لاس رد قطانم نیا دشر هتشذگ یاه

هتشاد یناوارف ثعاب هک

شیازفا تسا هدش اهنآ مکارت .

نینچمه

، قطانم رد 1

و 0 هک رد عقاو ، لیکشت ار ناهفصا رهش یزکرم شخب یم

هد ن ،د

هب تیعمج مکارت ،ینوکسم یاضف بیرخت و تفاب تمدق تلع نآ

اه رتمک رایسب قطانم لک مکارت طسوتم هب تبسن

تسا هدش .

لکش 1 قطانم هدزناپ ناگ ۀ هارمه هب ار ناهفصا رهش کولب

یرامآ یاه شیامن اهنآ یتیعمج رامآ و

یم .دهد

هداد یاه شهوژپ

هداد هدافتسا یاه هدش

شهوژپ رد رضاح

، هداد کولب یاه یاه

لاس تیعمج یرامشرس یرامآ 1315

ناهفصا رهشنلاک

هک تسا ناریا رامآ زکرم

تسا هدرک هئارا .

لک دادعت کولب

یاه یرامآ اب ربارب ،تیعمج 13330

ددع تسا هک

ّدعتم یاهریغتم د

یعامتجا -

یداصتقا رد .دراد

نیا اهریغتم کولب

یاه یرامآ رب ساسا یگژیو ،لک تیعمج نوچ ییاه

حطس

،تلایصحت تیلاعف

یاه یعامتجا -

یداصتقا یگژیو و

نامتخاس اه

فیصوت یم

دوش . نامه زین رتشیپ هک روط

دش هراشا

، فده شهوژپ زا رضاح

هشوخ یدنب کولب یتیعمج یاه رب

یداصتقا یاهریغتم ساسا -

اب طبترم یعامتجا

ۀعسوت یرهش رادیاپ تسا

. رب رورم ساسا شهوژپ

تروص یاه رد هتفرگ

ۀراب اب طبترم یاهریغتم ۀعسوت

،یرهش رادیاپ

12 ریغتم هشوخ یارب یدنب

کولب باختنا یرامآ یاه دش

هک تسا ترابع زا

: اضف رد تیعمج مکارت (

دنوهپس و

فراع داژن ، 1310 ،) لهأتم تیعمج تبسن ،یوسوم(

1312

،) دادعت رجاهم نا دراو هدش ناراکمه و یدمحا(

، 1315 ،)

نازیم لاغتشا ،ناراکمه و حلاف هدوت(

1312 ،) ناوج تیعمج تبسن (

et al., 2019 Lez’er

،) تحاسم طسوتم

ینوکسم دحاو یناراد یریصن(

، 1۹21 ،) دادعت ینوکسم دحاو ینامتراپآ

( هدازدمحم ،

131۹ ،) انب ماکحتسا نازیم

Patel & Patel, 2021( ،)

یداوساب تبسن یقرب(

، 1312 ) و تبسن نلاصحم (

ن یناراد یریص ،

1۹21 ).

ساسا نیا رب

، نوتس یاه یاهریغتم اب طبترم هد

ناگ ۀ قوف زا هداد یاه کولب و باختنا یرامآ یاه رد

موزل تروص تبسن

هبساحم یتیعمج کولب ره یارب لک تیعمج هب اهنآ تسا هدش

. رد تیاهن

، یاهریغتم هبساحم

هدش یارب

مه سایقم و یزاس هب دورو متیروگلا مزلا یاه رب

رایعم فارحنا و نیگنایم ساسا .دش یزاسدرادناتسا

رضاح شهوژپ رد

[Type here]

6

هولاع رب قوف یاهریغتم ییایفارغج تاصتخم زا

زکارم یسدنه کولب

یاه ب زین یرامآ ه

هدافتسا یناکم رتماراپ ناونع

تسا هدش .

لکش 1 : ۀشقن قطانم کیکفت هب ناهفصا رهش کولب و

یرامآ یاه ناگدنسیون :عبنم(

1041 )

Figure 1: Regions and Census Blocks of Isfahan City

شور شهوژپ یسانش

شهوژپ رد رضاح

زا متیروگلا ود وSOM

Geo-SOM یارب

هشوخ یدنب هداد یاه یعامتجا -

یداصتقا کولب

یاه

یرامآ هدافتسا و اب لصاح جیاتن رگیدکی

هسیاقم .تسا هدش

متیروگلا هشقن

یاه هدنامزاسدوخ SOM (

)

شقن ۀ هدنامزاسدوخ کی

ۀکبش روخشیپ کت

هیلا تسا هک رد نآ نورون یاه یجورخ رد کی راتخاس یکیژولوپوت اب

داعبا

مک بترم .تسا هدش اب

متیروگلا هداد SOM

یاه اب داعبا لااب هب هشقن یاه یگژیو ود ُب یدع ۀکبش یم تشاگن دنوش

لکش(

0 ).

هشقن یاه هدنامزاسدوخ یعس

یم هک دنک رد ۀلحرم

،تشاگن طباور یکیژولوپوت ار

ظفح دنک

؛ ینعی ییاهوگلا

ار هک رد یاضف یدورو کیدزن هب رگیدکی هب دنتسه ییاهدحاو

هک رد یاضف یجورخ کیدزن

دنتسه

، تشاگن یم دنک

و سکعرب . هب تشاگن یارب ره

نورون کی رادرب ینزو اب ربارب داعبا یاضف یدورو دوجو دراد

؛ ینعی ره iدحاو کی رادرب

[Type here]

7

نزو ی رظانتم

ُب اب دع d w_i={w_i1, w_i2,…..,w_id} دراد

. ا داعب یدورو یاضف هب

،لومعم روط زا

داعبا ۀکبش یجورخ

رتشیب .تسا متیروگلا رتشیب یاه

ردSOM کی ۀکبش یلیطتسم زا

اهدحاو هدایپ یزاس یم دنوش . ۀدیا یلصا نیا تسا

هک رد لوط شزومآ

، ره هداد اب مامت اهدحاو هسیاقم و هیبش نیرت اهنآ هک هب ناونع نیرتهب دحاو قیبطت Best (

Matching Unit )

BMU( ) هتخانش یم دوش

، باختنا دوش . BMUسپس و ناگیاسمه نآ

رد هکبش هب یناسرزور

وش دن ات هب نآ ۀداد صاخ کیدزن رت دنوش . رد کی اهنت تشاگن نیح نورون

نآ و تشاد دهاوخ دوجو هدنرب ینورون

تسا

کیدزن نآ ینزو رادرب هک اب هک دشاب هتشاد یدورو رادرب اب ار هلصاف نیرت

ۀلصاف ۀبساحم و یدورو رادرب نیب یسدیلقا

نییعت ینزو رادرب یم

دوش .

یلصا دنور شزومآ

هکبش یاه یبصع دوخ زاس ام هدن هب ریز تروص تسا

( Kohonen, 1995 ).

1 . رد نزو یاه یلوا ۀ رادقم یهد هدش نیرتشیب رادقم

یارب عاعش عبات یگیاسمه و R

نازیم یریگدای نییعت α

و ینامز ات فقوت طیارش هک

رارقرب تسین

، لحارم 0 ات ۳ ماجنا یم دوش

؛

0 . لصاف ۀ ره یارب یسدیلقا نورون

یم هبساحمj

؛دوش

ۀطبار ( 1 ) ( ) √∑ ( )

ۀفلؤم ما زج ء یدورو رادرب و تسا

ینزو دنویپ

( رد عقاو نورون رد )

.تسا

3 . کیدزن نیرت نورون ب ه ناونع نورون هدنرب باختنا یم دوش

؛

ۀطبار ( 0 ) ( )

لصاف ۀ یسدیلقا نورون

.دشاب رادقم نیرتمک

۹ . نورن ره اب j

هجوت هب نآ یگیاسمه اب

نورون هب

زور یم یناسر

؛دوش

طبار ۀ ( 3 ) ( ) ( ) ( ( ))

5 . نازیم یریگدای هب

زور یم یناسر

؛دوش

3 . کیژولوپوت یگیاسمه عبات درکلمع عاعش شهاک

یم ادیپ

؛دنک

2 . فقوت طیارش یسررب ینامز ات

یم رارکت دوش

هب فقوت رایعم هک تسد

دیآ . هب

،لومعم روط فقوت رایعم

، دادعت

یتباث زا رارکت ار دراد .

ب مه یار ،هشقن تابث و ییارگ نازیم

شهاک رارکت ره رد یگیاسمه عاعش و یریگدای یم

دبای

؛ مه نیاربانب هب ییارگ

.درک دهاوخ لیم رفص تمس

x x

x . . . .

. . . .

SOM

Kohonen

[Type here]

8

لکش 1 متیروگلا مارگاید : ناگدنسیون :عبنم(SOM

1041 )

Figure 2: Diagram of Self-Organizing Map Algorithm متیروگلا Geo-SOM

متیروگلا Geo-SOM

عیزوت یاهدحاو ار SOM

هن اهنت اب ب تهابش هب هجوت ی

ن اسمه ی ناگ اب ، هجوت هب مکارت

ییایفارغج یاهرادرب

یدورو زین داجیا یم دنک ( Bação et al., 2004 ).

رد متیروگلا یشزومآ

،SOM مهم نیرت

هلحرم رد نییعت هکنیا مادک اهوگلا اب رگیدکی هشوخ یدنب

،دنوش ۀلحرم ا باختن نیرتهب دحاو قیبطت ( )BMU تسا

؛

نیاربانب اب رییغت ۀوحن باختنا م BMU

ی ناوت هب تاصتخم ییایفارغج

تیمها یرتشیب داد

. رد متیروگلا Geo-

یارب SOM رارق BMU نداد

رد ترواجم ییایفارغج

یوگلا

،یدورو دنیآرف تسج و وج ی باختنا نیرتهب دحاو

قیبطت BMU( ) رد ود هلحرم ماجنا یم دوش . رد ۀلحرم لوا

، یگیاسمه ییایفارغج

هک ناکما تسج و وج BMUیارب

دوجو نآ رد دراد

، تنا خ با و رد ۀلحرم مود اب هدافتسا زا

ریاس اهریغتم تسج

و یوج ییاهن ماجنا یم دوش . نیا

یگیاسمه ییایفارغج

اب رتماراپ دح(k

ۀناتسآ ییایفارغج Geographic Tolerance :

) هک رد یاضف یجورخ ۀشقن

فیرعت SOM هدش

،تسا لرتنک یم دوش لکش(

3 ) . تلاح رد

، متیروگلا کیدزن

نیرت دحاو ار زا ظاحل

ییایفارغج هب

ناونع باختنا BMU

یم دنک . اب میظنت ربارب k

اب ۀزادنا SOM ۀشقن

، ییایفارغج تاصتخم هدیدان

هتفرگ یم دوش . یتقو تسا

ناکم یاه اهرادرب ییاهن رد

یاضف یدورو هب

،یبیرقت روط بسانتم

اب ناکم یاه

ییایفارغج یاهرادرب

یشزومآ دهاوخ

دوب ( Bação et al., 2004 ).

لکش 3 متیروگلا مارگاید : Geo-SOM

ناگدنسیون :عبنم(

1041 )

Figure 3: Diagram of Geo-SOM Algorithm

یاهرازبا یرصب

یزاس رد متیروگلا وSOM

Geo-SOM

یارب هیزجت و لیلحت متیروگلا یجورخ یاه

و SOM Geo-SOM

زا رازبا یاه یرصب یزاس ( Visualization )

ّدعتم هدافتسا ید یم

دوش هک تسا ترابع زا

:

سیرتام (U

U- Matrix )

کی هار هب تبسن هداس یارب ییاسانش هشوخ

SOM یاه Geo-SOM و

هدافتسا زا سیرتام (U

سیرتام ۀلصاف

هچراپکی ) Unified Distance Matrix( )

تسا . یژولوپوت شیپ

ضرف هشقن یاه دوخ هدنامزاس

، شش یعلض .تسا

نیا شش یعلض ،اه ناکم نورون اه اهنآ یگیاسمه طباور و ار

اب نورون یاه رگید رد هکبش یژولوپوت ناشن

یم هک دهد

سیرتام هدیمانU

یم دوش . ۀلصاف نیب هرگ یاه هیاسمه رد سیرتام اب U

هجوت هب ۀلصاف یسدیلقا نزو

راد یم دنوش و اب

SOM

- Geo BMU

k

BMU

x y

z _n . . . z

BMU

BMU

[Type here]

9

گنر یور هشقن میسرت یم دنوش ( et al., 2010 .)Löhr

گنر یاه رتدرس ( یبآ ) نرون یاه هیاسمه ار

هک کیدزن

دنتسه ( ناشن )دنراد تهابش یم

دهد و گنر یاه غاد رت ( زمرق ) نرون یاه هیاسمه ار

هک ۀلصاف دنراد دایز (

توافتم

دنتسه )،

ناشن یم دهد .

،ماجنارس یم

تفگ ناوت رد

سیرتام هرگ U

یاه اب ۀلصاف مک هب کی هشوخ قلعت دنراد و

هرگ یاه اب ۀلصاف دایز یاهزرم هشوخ

یاه فلتخم ار ناشن یم دنهد Park et al., 2018( .)

نیاربانب هدافتسا اب زا

سیرتام یمU

ناوت جیاتن هشوخ هکبش یدنب لیلحت ار

و یبایزرا .درک

هفلؤم تاحفص Component Planes( اه

)

حفص ۀ

،هفلؤم نزو یبسن ره کی زا م ؤ هفل اه ی ( یاهریغتم )

یاهرادرب یدورو

ار ب ه هناگادج روط

، ناشن یم دهد

( Kohonen, 1995 .)

دادعت تاحفص هفلؤم

اه رد ره متیروگلا و SOM

Geo-SOM ربارب

اب ۀزادنا ا عب ا د ۀداد

یدورو تسا ؛ یارب نیاربانب ره

ریغتم زا رادرب یدورو کی حفص ۀ هفلؤم دوجو دراد ( رد نیا شهوژپ 12 هحفص یارب

متیروگلا و SOM

10 یارب هحفص متیروگلا

Geo-SOM یم داجیا

دوش ).

نزو ره یاه یاهرادرب زا کی یدورو

ار

یم ناوت اب هدافتسا زا هفلؤم ۀحفص یرصب

یزاس ک ر د . تاحفص نیا رد

، گنر یاه نشور رت و هریت رت هب بیترت ناشن ۀدنهد

نزو یاه گرزب رت ( تشاگن یاهریغتم ندش ی

اب رادقم یاه )رتشیب و کچوک رت ( تشاگن یاهریغتم ندش ی

اب رادقم یاه

)رتمک تسا . اب ۀسیاقم تاحفص هفلؤم

یم ناوت یاهوگلا لاصتا

طابترا و هفلؤم

اه ار اب رگیدکی یسررب درک . رگا تاحفص

هفلؤم رگیدکی اب اه هباشم

شاب

،د یاهرادرب یدورو

یگتسبمه ییلااب

و دنراد سکعرب . تاحفص هفلؤم

ار یم ناوت رب ساسا

صخاش تهابش اهنآ هسیاقم و م یاهریغت هباشم

و اب یگتسبمه و

ِهباشمریغ ار یگتسبمه نودب

زا رگیدکی ادج رک د

et al., 2010( ).Löhr

Hits Map Hits Maps ۀشقن

دیفم یرگید تسا هک ناشن یم دهد کی هکبش نورون هب

ناونع دنچ BMU

راب باختنا هدش

تسا و ای ترابع هب رگید

، دنچ ۀداد یدورو ره هب نورون هدش تشاگن تسا

. نینچمه

، هشقن نیا اب یم

عیزوت ناوت

یدورو یاهرادرب ار

رد حطس نورون یاه رتهب هک درک یسررب هکبش تسا

هداد اه هب روط تخاونکی

، رد رسارس نورون یاه

دشاب هدش عیزوت هکبش 2017(

Kassambara, ).

هشوخ ۀشقن Clusters Map( اه

)

متیروگلا رد هب SOM

،لومعم روط دادعت

نورون اه رایسب رتشیب زا دادعت هشوخ یاه یعقاو تسا . رد نیا متیروگلا

دادعت یبیرقت هشوخ اه ار یم ناوت اب زا هدافتسا سیرتام

و U رب ساسا هلصاف یاه نورن نایم اه

فیرعت درک . ینتفگ

تسا زا روظنم اجنیا رد هشوخ ۀشقن

اه هشقن سیرتام رب ینتبم یا نآ رد هک تسا U

ۀرامش نورون ره یارب هشوخ

.دشاب هدش نییعت رب

هشقن نیا ساسا یم

ۀشقن ناوت کولب ییایفارغج

یرامآ یاه ار

درک دیلوت ،کولب ره یارب نآ رد هک

رامش ۀ ۀشوخ دشاب هدش صخشم نآ هب طوبرم .

ۀزادنا هشقن

زادنا ۀ هشقن ( دادعت نورون یاه یجورخ ) یارب یارجا یتایح SOM

تسا

؛ اب نیا لاح چیه نوناق یقیقد یارب نییعت

ۀزادنا هشقن دوجو .درادن Alhoniemi Vesanto و

لاس رد یدلایم 2000

یشور داهنشیپ دندرک

هک دادعت ۀنیهب

نورون اه کیدزن هب

تسا n( دادعت هنومن یاه هعلاطم هدش تسا .) رگا نیا ضرف حیحص

،دشاب ۀزادنا ۀنیهب هشقن

رد ۀعلاطم رضاح دیاب ربارب اب 52۳ دشاب نرون هک

ددع گرزب ی .تسا نومزآ یاه

ّدعتم د رد شهوژپ رضاح داد ناشن رگا

هزادنا ۀشقن یلیخ کچوک دشاب

، هشوخ اه کیکفت ریذپان یم دنوش ای رگا یلیخ گرزب دشاب

، هن اهنت هشوخ اه کیکفت ریذپ

ن دوب دنهاوخ

، رد یضعب زا نورون اه زین رادرب یدورو تشاگن یمن دوش ؛ نیاربانب رگا ۀزادنا هشقن اب داعبا هب هجوت هداد

اه و

یاهریغتم دادعت هعلاطم

هدش یسررب زا سپ هزادنا

یاه فلتخم دوش باختنا

، کیکفت هشوخ اه قیقد رت و هب نآ عبت رد

[Type here]

11

ۀمه نورون تشاگن یدورو رادرب اه هاوخ

ن ش د د . رد رضاح شهوژپ یسررب زا سپ

هزادنا یاه ،فلتخم هشقن

هب یا ۀزادنا

۹1 هکبش ای نورون (

2

* 2 ) .دش باختنا

یبایزرا جیاتن هشوخ یدنب

رد شهوژپ رضاح یارب جیاتن یبایزرا هشوخ

یدنب هتوهلیس بیرض زا Silhouette (

) ا هدافتس .دش یارب بیرض نیا

هشوخ کی

، ۀجرد تهابش هداد یاه تهابش و هشوخ کی لخاد نتشادن

اب هشوخ یاه ار رگید هزادنا یم یریگ دنک

Kaufman & Rousseeuw, 2009( ).

نیا بیرض ک ره ،هنومن ره یارب لا

هعومجم و س لک

هداد اه هبساحم

یم دوش . بیرض هتوهلیس رب

یکیدزن و یرود ساسا هنومن

اه و هشوخ اه رگیدکی هب و

زا هدافتسا اب ۀطبار

۹ هبساحم لباق

.تسا ۀطبار ( ۹ ) ( ) ( ( ) ( ))

( ) ( )

هطبار نیا رد رادقم ( )

بیرض هتوهلیس هبساحم

ۀنومن یارب هدش .تسا ( )

هطبار نیا رد نایم ( )

گ مدع نی

هباشت Dissimilarity( )

نیب دهاشم ۀ

ریاس اب دهاشم ه اه کی رد شوخ ۀ و هباشم ( ) ۀنیمک نیگنایم هباشت مدع

دهاشم ۀ

تبسن مامت هب دهاشم ه اه رد هشوخ یاه رگید تسا . رب ساسا ۀطبار قوف رادقم ( ) نیب 1 - و 1 + رارق

رگا .دراد هب ( )

1 + کیدزن هب ،دشاب رت نیا

نعم هک تسا شوخ

ۀ داهنشیپ یارب هدش نومن

ۀ مزلا بسانم و هچنانچ

هب ( ) 1 - کیدزن دشاب رت ، هک تسانعم نیا هب شوخ

ۀ داهنشیپ یارب هدش ۀنومن

مزلا بسانمان .تسا

تیفیک یلک هشوخ یدنب ار یم ناوت اب هدافتسا زا نیگنایم بیرض

هتوهلیس یارب

لک هعومجم هداد

هزادنا یریگ درک هک

رب ساسا ۀطبار 5 فیرعت یم دوش .

ۀطبار ( 5 ) ∑ ( )

هطبار نیا رد دادعت

لک هنومن اه تس و رادقم رتلااب ناشن

دنهد هشوخ ۀ یدنب بسانم تسا Hsu & Li, (

).2010

ی هتفا اه ی شهوژپ و

زجت ی ه لحتو ی ل

سیرتام U

شش یعلض اه ی دادعا یواح نیا رد

سیرتام ناشن

ۀدنهد زکارم نورون یاه هکبش تسا . نینچمه

، نیا دادعا ناشن

یم دهد هک نورون یاه هدنرب هدش هشوخ مادک هب قلعتم تسا

. نامه دش هراشا هک روط

، یژولوپوت هعلاطم نیا رد هکبش

،

یسررب زا سپ هزادنا

یاه

ّدعتم سیرتام د ییاسانش یاربU

هشوخ اه

، 2 رد 2 ا ا هدش باختن تس

؛ نیاربانب ۹1 نورون

هکبش رد دوجو

دراد . نامه هک روط هراشا دش

، ۀلصاف نیب نرون یاه زا رتمک هشوخ کی هب قلعتم ۀلصاف

نیب نرون یاه

قلعتم هب هشوخ یاه .تسا رگید لکش رد هچنآ هب هجوتاب

۹ تسا هدمآ ،

لصاف ۀ نرون نیب هب قلعتم یاه

ۀشوخ ۹ رد ،

سیرتام متیروگلا U

اب SOM شش یعلض یبآ یاه رپ

و گنر ۀلصاف نرون نیا نرون اب اه

یاه هشوخ یاه اب رگید

شش یعلض نشور یاه نینچمه .تسا هدش صخشم زمرق ای درز رت

، نرون ۀلصاف یاه

هب قلعتم ۀشوخ

12

، سن ب هب ت

[Type here]

11

رگیدکی اب شش یعلض گنر یبآ یاه و

اب نرون یاه هب قلعتم هشوخ

یاه 0 و 5 اب شش یعلض درز یجنران و گنر

.تسا هدش صخشم نیا یسررب و لیلحت سیرتام

اه ناشن یم دهد هک جیاتن زا لصاح متیروگلا ود

وSOM -SOM هب Geo

،لماک روط

تم ف تسا توا رد.

سیرتام متیروگلاU

رتشیبSOM نورون یاه ( هکبش 03 رد )نورون شوخ

ۀ ۹ و دادعت 2 رد نورون

شوخ ۀ 0 و ریاس نورون اه ی هکبش رد هشوخ یاه رگید هتسد هدش یدنب

تسا . رد سیرتام متیروگلا U

-SOM Geo

ب ه زج ء هشوخ یاه 1 ، 2 ، 1 و 12 هب هک ره دراد قلعت نورون کی مادک

، ۹5 رد هکبش رگید نورون 2

شوخ ۀ رگید

هتسد هدش یدنب

تسا متیروگلا ود نیا یلصا توافت . رد

وحن ۀ یدورو یاهرادرب تشاگن د

ر نورون هکبش یاه تسا

هک

هب رجنم زین توافت نیا هتسد

یدنب نورون توافتم رد هکبش یاه

هشوخ یاه متیروگلا ود ره یم

دوش

؛ یارب لاثم

،

یدورو یاهرادرب تشاگن

لااب تمسق رد هدش نورون پچ تمس و

یاه کبش ۀ دیاب SOM یگژیو یاه هب

،یبیرقت روط

یهباشم دنشاب هتشاد

ات رد شوخ ۀ ۹ هتسد یدنب

؛دنوش رد یلاح نورون زا شخب نیمه رد هک یاه

کبش ۀ -SOM

تشاگن ییاهرادرب ،Geo هدش

دنا هک زا

،یفرط یگژیو توافتم یاه دنراد

،رگید فرط زا و نیدنچ رد

شوخ ۀ توافتم

هتسد هدش یدنب دنا

. توافت نیا متیروگلا

اه هب یدورو یاهرادرب تشاگن رد نورون

یاه ب هکبش ه توافتم یبسن نزو لیلد

ره یدورو یاهرادرب رد اهریغتم زا کی متیروگلا

اه .تس

لکش 0 : سیرتام وU

رامش ۀ هشوخ یاه متیروگلا SOMیاه

Geo-SOM و ناگدنسیون :عبنم(

1041 )

Figure 4: U-Mat Cluster Number of SOM and Geo-SOM Algorithms تاحفص م

ؤ هفل اه

متیروگلا هشقن

یاه

،هدنامزاسدوخ حفص

ۀ م ؤ فل ۀ مه ۀ یدورو یاهرادرب ار

هب روط هناگادج

، میسرت یم دنک . نیا تاحفص

ناشن ۀدنهد نزو هک تسا ی رادرب

یدورو ار هب هکبش نورون تشاگن

یم دنک . نیب یدورو یاهرادرب زا کیره نزو 2

ات 1

.تسا هدش هبساحم اب

تاحفص م

ؤ هفل یم ناوت زا کیره یبسن نزو م

ؤ هفل اه رد ار تشاگن نورون هب ندش هکبش یاه

یبسن نزو اب و دروآرب م

ؤ هفل یاه رگید هسیاقم و یدورو یاهرادرب نیب دوجوم یگتسبمه و

وحن ۀ تشاگن اهنآ ندش ار

زین یسررب و لیلحت رک

د . تاحفص رصانع

رادرب یاه یدورو ناشن متیروگلا ود ره یم

دهد زا کیره یبسن نزو هک

رد اهریغتم تشاگن

نرون هب ندش هکبش یاه

هب

،لماک روط تسا توافتم

؛ یارب لاثم

، ریغتم تیعمج تبسن تم

أ له

،

یتوافتم یبسن نزو ار

رد تشاگن هب ندش رد هکبش

متیروگلا یاه و SOM Geo-SOM .دراد

متیروگلا رد SOM

قم راد یاه رتشیب یدورو ریغتم نیا هب لیامت

تشاگن ندش رد نورون یاه لااب پچ تمس هکبش

راد ار د ن(

و نرور یاه

)گنر زمرق اریز ؛

رب قبطنم شوخ

ۀ رامش ۀ ۹ تسا و قم راد یاه رتمک نیا ریغتم هب لیامت تشاگن

ندش رد نورون یاه

نییاپ تمس پچ هکبش ار راد د اریز ؛ قابطنا یدایز اب شوخ ۀ رامش ۀ 1 راد د لکش(

5 ).

رد متیروگلا Geo-SOM

،

[Type here]

12

رادقم یاه رتلااب نیا ریغتم رد نورون یاه تمس پچ هکبش و رادقم یاه نییاپ رت نآ رد نرون یاه نییاپ تمس پچ

هکبش هتشاگن هدش تسا

؛ اریز رادقم یاه رتلااب رب هشوخ یاه ۀرامش ۳ و 1 و رادقم یاه نییاپ رت رب هشوخ یاه ۀرامش 0

و 12 قبطنم تسا لکش(

3 ).

نینچمه

، متیروگلا رد قم SOM

راد یاه دایز یداوساب تبسن ریغتم هب لیامت

تشاگن ندش رد نورون هکبش تسار تمس یاه ار

راد د راظتنا هک یم

رد دور هشوخ یاه رامش ۀ ۹ ، 5 و 12 هتسد یدنب

دوش . رد یتروص هک قم راد یاه هب لیامت ریغتم نیا نییاپ تشاگن

نورون رد ندش پچ تمس یاه

کبش ۀ رب قبطنم

هشوخ رامش یاه ۀ

1 و ۳ ار دراد . متیروگلا رد Geo-SOM

قم راد یاه یلااب ریغتم نازیم هب لیامت یداوساب

تشاگن ندش نورون رد تسار تمس لااب یاه

کبش ۀ رب قبطنم هشوخ

رامش یاه ۀ

2 ، 3 ای و 5 ار راد د . رد یتروص هک

قم راد یاه هب لیامت ریغتم نیا نییاپ تشاگن

نورون رد ندش یاه

نییاپ پچ تمس کبش

ۀ رب قبطنم هشوخ

رامش یاه ۀ

12 و 0 ار راد د رد لصاح جیاتن هک دج

لو یاه 1 و 0 نیا درکلمع تحص رگنایب متیروگلا

اه نیا اب اهریغتم تس .

نینچمه

، سیاقم ۀ تاحفص م

ؤ فل ۀ رو یاهرادرب و

ناشن ید یم

دهد هک وحن ۀ تشاگن ندش یبسن نزو و م

ؤ هفل اه ره رد

متیوگلا هب

،لماک روط توافتم

تسا

؛ رد هک یلاح حفص

ۀ م ؤ فل ۀ ره زا کی یدورو یاهریغتم هب هیبش

رگیدکی تسین

؛

نیاربانب وحن ۀ تشاگن ندش اهریغتم نیا هب

نورون یاه تسا توافتم هکبش و

.دنرادن یگتسبمه رگیدکی اب اهریغتم نیا

لکش 5 تاحفص : م

ؤ هفل یاه متیروگلا ناگدنسیون :عبنم(SOM

1041 )

Figure 5: Component Planes of SOM Algorithm

[Type here]

13

لکش 6 : تاحفص م

ؤ هفل یاه متیروگلا Geo-SOM

ناگدنسیون :عبنم(

1041 )

Figure 6: Component Planes of Geo-SOM Algorithm

Hits Maps متیروگلا هشقن

یاه

،هدنامزاسدوخ شقن

Hits Mapsۀ ار

میسرت یدورو یاهرادرب تشاگن مامتا زا سپ یم

دنک و دادعت

یبسن هدنرب ندش نورون یاه ار هکبش ناشن

یم دهد . ره هچ زادنا ۀ شش یعلض اه گرزب رت دشاب

، ناشن ۀدنهد تسا نیا

هک و ه