Abstract | Keywords | Fulltext | Export | TOC

Science, technology and many other fields are use clustering algorithm widely for many applications, this paper presents a new hybrid algorithm called KDBSCAN that work on improving k-mean algorithm and solve two of its problems, the first problem is number of cluster, when it`s must be entered by user, this problem solved by using DBSCAN algorithm for estimating number of cluster, and the second problem is randomly initial centroid problem that has been dealt with by choosing the centroid in steady method and removing randomly choosing for a better results, this work used DUC 2002 dataset to obtain the results of KDBSCAN algorithm, it`s work in many application fields such as electronics libraries, biology and marketing, the KDBSCAN algorithm that described in this paper has better results than traditional K-mean and DBSCAN algorithms in many aspects, its preform stable result with lower entropy.

العلوم والتكنولوجيا والعديد من المجالات الاخرى تستخدم خوارزميات التجميع بصورة كبيرة للعديد من التطبيقات, هذ البحث يقدم خوارزمية دمج جديدة تسمى KDBSCAN والتي تعمل على تطوير خوارزمية K-mean لحل اثنان من مشاكلها, المشكلة الاولى هو عدد المجاميع, والذي يجب ان يتم ادخاله عن طريق المستخدم, وتم حل هذه المشكلة عن طريق استخدام خوارزمية DBSCAN لتخمين عدد المجاميع, و المشكلة الثانية هو الاختيار العشوائي للمراكز, و الذي تم تعامل معهاعن طريق المراكز بطريقة ثابتة وازالة عشوائية الاختيار للحصول على نتائج افضل, تم العمل بأستخدام قاعدة بيانات DUC 2002 للحصول على النتائج خوارزمية KBSCAN, هي تعمل في تطبيقات متعددة مثلا المكتبات الالكترونية, علم البايولوجي و مراكز التسوق, خوارزمية KDBSCAN التي تم وصفها في هذا البحث لها نتائج احسن من الخوارزميتين K-mean التقليدية و DBSCAN في جوانب متعددة, حيث انها توفر نتائج ثابتة وعشوائية قليلة.

clustering --- K-mean --- DBSCAN --- KDBSCAN.