شاهو زارعی

خوشه‌بندی مبتنی بر مدل پرکاربردترین روش خوشه‌بندی آماری است که در آن داده‌های ناهمگن با استفاده از استنباط بر اساس مدل‌های آمیخته به گروه‌هایی همگن تقسیم می‌شوند. {وجود خطای اندازه‌گیری در داده‌ها} می‌تواند کیفیت خوشه‌بندی را کاهش {و به عنوان مثال} موجب بیش‌برازشی و تولید خوشه‌های جعلی شود. برای رفع این مشکل، خوشه‌بندی مبتنی بر مدل با ‎{فرض}‎ توزیع نرمال برای خطای اندازه‌گیری معرفی شده است. {با وجود این‎،}‎ مقدارهای خیلی بزرگ یا خیلی کوچک ‎(دورافتاده)‎ از خطاهای اندازه‌گیری باعث عملکرد ضعیف روش‌های خوشه‌بندی موجود می‌شوند. برای رفع این مشکل {و ساختن یک مدل استوار نسبت به حضور خطاهای اندازه‌گیری دورافتاده در داده‌ها‎،}‎ در این مقاله برای خطای اندازه‌گیری توزیع ‎$\a$-‎پایدار متقارن جایگزین توزیع نرمال می‌شود و با استفاده از الگوریتم ‎$EM$‎ و روش‌های عددی، پارامترهای مدل برآورد می‌شوند. با استفاده از شبیه‌سازی و تحلیل داده واقعی به مقایسه مدل جدید ارائه شده با روش خوشه‌بندی مبتنی بر مدل با روش ‎$MCLUST$‎، {در حالت‌های} با و بدون خطای اندازه‌گیری پرداخته و کارایی مدل پیشنهادی برای خوشه‌بندی داده‌ها {در حضور انواع} خطاهای اندازه‌گیری دورافتاده، نشان داده می‌شود.