الگوریتم DBCLASD چیست؟ آموزش خوشه‌بندی داده‌های فضایی

 

1.اهداف یادگیری

پس از مطالعه این فصل، خواننده قادر خواهد بود:

1. مسئله‌ای را که DBCLASD برای آن طراحی شده توضیح دهد.
2. تفاوت ایده‌ای DBCLASD با DBSCAN و روش‌های پارتیشن‌بندی را تحلیل کند.
3. فرض آماری زیربنای الگوریتم را تبیین کند.
4. روند رشد خوشه و معیار پذیرش/رد نقاط را شرح دهد.
5. مزایا، محدودیت‌ها و حوزه‌های کاربردی الگوریتم را نقد کند.
6. یک پیاده‌سازی آموزشی از منطق DBCLASD را در پایتون درک و توسعه دهد

2.پیش‌نیازها

• ریاضیات و آمار: آشنایی با مفاهیم توزیع احتمال، فرآیندهای نقطه‌ای پواسون (Poisson Point Processes) و آزمون‌های نیکویی برازش (Goodness-of-fit tests) مانند χ^2.
• داده‌کاوی: درک مفاهیم پایه‌ای خوشه‌بندی و آشنایی مقدماتی با الگوریتم DBSCAN.
• محاسبات: آشنایی با ساختارهای داده مکانی مانند R-tree برای بهینه‌سازی جست‌وجوهای مجاورتی.

۳. چکیده

الگوریتم DBCLASD یکی از نوآوری‌های کلیدی در حوزه داده‌کاوی مکانی است که با هدف غلبه بر محدودیت‌های الگوریتم‌های مبتنی بر چگالی سنتی پیشنهاد شده است. ایده محوری این روش، جایگزینی آستانه‌های صلب چگالی (مانند شعاع همسایگی و حداقل تعداد نقاط) با یک معیار آماری مبتنی بر توزیع فواصل نزدیک‌ترین همسایه است. DBCLASD بر این فرض استوار است که نقاط درون یک خوشه از یک فرآیند پواسون همگن پیروی می‌کنند؛ بنابراین، فواصل بین آن‌ها باید با توزیع احتمالی مشخصی سازگار باشد. این فصل به کالبدشکافی دقیق منطق آماری، فرآیند رشد پویای خوشه‌ها و تحلیل پیچیدگی این الگوریتم می‌پردازد و در نهایت پیاده‌سازی و کاربردهای آن را در سیستم‌های اطلاعات جغرافیایی (GIS) و اخترشناسی بررسی می‌کند.

۴. بستر علمی و مسئله عملی

خوشه‌بندی داده‌های مکانی (Spatial Data) با چالش‌های منحصربه‌فردی روبروست، از جمله شکل‌های نامنظم خوشه‌ها و وجود نویز گسترده. الگوریتم‌های کلاسیک مانند k-means به دلیل فرض کروی بودن خوشه‌ها در این حوزه ناتوان هستند. ظهور DBSCAN در اواسط دهه ۹۰ میلادی تحولی بزرگ ایجاد کرد، اما وابستگی شدید آن به پارامترهای ورودی (ϵ و MinPts) که تعیین آن‌ها برای کاربران دشوار است، یک خلل جدی محسوب می‌شد.

DBCLASD در سال ۱۹۹۸ توسط Xu و همکارانش به عنوان پاسخی به این نیاز معرفی شد. مسئله اصلی این است: «چگونه می‌توان بدون دریافت پارامترهای جهانی از کاربر، خوشه‌هایی با چالش چگالی متغیر و شکلی دلخواه را شناسایی کرد؟» DBCLASD با نگاهی آماری به چگالی، خوشه‌بندی را به یک مسئله تأیید فرضیه آماری تبدیل می‌کند. ورودی اصلی این الگوریتم مجموعه نقاط مکانی در فضای d-بعدی است و خروجی آن دسته‌بندی نقاط به خوشه‌های مجزا و شناسایی نقاط نویز است، به طوری که هر خوشه از نظر توزیعی یکپارچه باشد.

۵. مفاهیم پایه و تعاریف ضروری

• داده مکانی (spatial data)، یعنی داده‌ای که هر نمونه در یک فضای هندسی، معمولاً دوبعدی یا سه‌بعدی، موقعیت دارد.
• خوشه چگالی‌مبنا، یعنی مجموعه‌ای از نقاط که در یک ناحیه از فضا نسبت به اطراف خود تراکم بیشتری دارند.
• فرآیند پواسون همگن (Homogeneous Poisson Process): مدلی تصادفی که در آن نقاط به‌طور مستقل و با نرخ ثابت λ در فضا توزیع شده‌اند.
• نزدیک‌ترین همسایه (Nearest Neighbor – NN): در DBCLASD فقط یک معیار هندسی نیست، بلکه حامل اطلاعات آماری درباره ساختار توزیعی خوشه است .برای نقطه p در مجموعه S، نزدیک‌ترین همسایه نقطه‌ای مانند q∈S است که کمترین فاصله اقلیدسی را با p داشته باشد.
• توزیع فاصله (Distance Distribution): تابع توزیع احتمالی که فواصل بین نقاط را در یک ناحیه مشخص توصیف می‌کند.
• آزمون χ^2 (Chi-square Test): یک آزمون آماری برای سنجش میزان انحراف توزیع مشاهده شده از توزیع مورد انتظار.
• نمادگذاری:
• C: مجموعه نقاط متعلق به یک خوشه.
• Ndist(p): فاصله نقطه p تا نزدیک‌ترین همسایه‌اش در خوشه.
• e_k:مقدار مورد انتظار (Expected) در بازه k-ام توزیع.

۶. ایده محوری الگوریتم

جوهره DBCLASD این فرض است که نقاط یک خوشه از یک فرآیند پواسون همگن (homogeneous Poisson point process) یا به‌صورت ساده‌تر، از یک توزیع تقریباً یکنواخت در ناحیه خوشه پیروی می‌کنند. اگر چنین باشد، فاصله‌های نزدیک‌ترین همسایه‌ها باید رفتاری آماری داشته باشند که بتوان آن را مدل کرد و برای آزمون عضویت به کار برد.

بنابراین، DBCLASD خوشه را نه صرفاً به‌عنوان «ناحیه‌ای با چگالی بالا»، بلکه به‌عنوان «مجموعه‌ای از نقاط با سازگاری توزیعی در روابط همسایگی» می‌بیند. این تغییر نگاه، مزیت مهمی ایجاد می‌کند: الگوریتم می‌تواند بدون تعیین صریح آستانه‌های سنتی، رشد خوشه را کنترل کند.

ایده علمی DBCLASD بر این اصل استوار است که اگر مجموعه‌ای از نقاط یک خوشه واقعی را تشکیل دهند، توزیع فواصل نزدیک‌ترین همسایه‌های آن‌ها باید با توزیع حاصل از یک چگالی یکنواخت (Uniform Density) در آن فضای خاص مطابقت داشته باشد.

منطق آماری

اگر نقاط در یک ناحیه دوبعدی با شدت λ از یک فرآیند پواسون همگن پیروی کنند، احتمال این‌که نزدیک‌ترین همسایه در فاصله‌ای کمتر از r قرار گیرد، به‌صورت زیر مدل می‌شود به عبارت دیگر تابع توزیع انباشته (CDF) برای فاصله نزدیک‌ترین همسایه (R) به صورت زیر تعریف می‌شود:

و چگالی متناظر:

این رابطه نشان می‌دهد که فاصله نزدیک‌ترین همسایه تابعی از شدت نقطه‌ای λ است. DBCLASD از این شهود استفاده می‌کند: اگر با افزودن یک نقطه جدید، توزیع فاصله‌های همسایگی همچنان با الگوی مورد انتظار سازگار بماند، آن نقطه می‌تواند عضو خوشه تلقی شود. در متن اصلی، این سازگاری از طریق مقایسه توزیعی و آزمون آماری/ابتکاری رشد خوشه operationalized می‌شود (Xu et al., 1998).

صورت‌بندی ریاضی آزمون سازگاری

الگوریتم از آزمون χ^2 برای بررسی این ادعا استفاده می‌کند. فضای فواصل به m بازه (Bins) تقسیم می‌شود. معیار تصمیم‌گیری به صورت زیر است:

که در آن o_k تعداد فواصل مشاهده شده در بازه , k e_k تعداد مورد انتظار بر اساس فرضیه توزیع یکنواخت است. اگر χ^2 از مقدار بحرانی جدول توزیع (با سطح معناداری α) کمتر باشد، فرضیه سازگاری تایید شده و نقطه به خوشه اضافه می‌شود.

.

7. مراحل گام‌به‌گام اجرای الگوریتم و منطق تصمیم‌گیری

در DBCLASD، اجرای الگوریتم بر پایه رشد تدریجی خوشه (cluster growing) و آزمون سازگاری توزیعی انجام می‌شود. به‌عبارت دیگر، الگوریتم از یک هسته اولیه آغاز می‌کند و سپس در هر گام می‌پرسد: «آیا افزودن این نقطه، الگوی آماری فاصله‌های همسایگی در خوشه را همچنان معتبر نگه می‌دارد یا خیر؟» اگر پاسخ مثبت باشد، نقطه جذب خوشه می‌شود؛ اگر نه، کنار گذاشته می‌شود و به‌عنوان کاندیدای خوشه‌ای دیگر باقی می‌ماند.

7.1. ورودی‌ها

ورودی‌های اصلی الگوریتم را می‌توان در سه سطح دید:

• مجموعه داده مکانی: یعنی مجموعه‌ای از نقاط در فضای دوبعدی یا چندبعدی که هر نقطه دارای مختصات مکانی است.
• معیار فاصله: معمولاً فاصله اقلیدسی، هرچند در مسائل خاص می‌توان از سنجه‌های دیگر نیز استفاده کرد.
• قواعد تصمیم‌گیری آماری: یعنی روشی که بر اساس آن سازگاری یا ناسازگاری یک نقطه با خوشه سنجیده می‌شود.

در نسخه مفهومی الگوریتم، کاربر معمولاً مانند DBSCAN با پارامترهای آشکار و متعارف مواجه نیست؛ اما در پیاده‌سازی عملی، همچنان تصمیم‌های طراحی وجود دارد، مانند:

• نحوه انتخاب بذر اولیه،
• نحوه تعریف همسایه کاندید،
• سخت‌گیری آزمون توزیعی،
• و قواعد ادغام یا رد نقاط.

بنابراین، ورودی DBCLASD فقط «داده» نیست، بلکه «داده به‌همراه منطق آزمون سازگاری» است.

7.2. آغاز فرایند: انتخاب نقطه یا بذر اولیه

الگوریتم معمولاً با یک بذر اولیه (seed) آغاز می‌شود. این بذر می‌تواند:

• یک نقطه تصادفی،
• یک جفت نقطه نزدیک،
• یا یک زیرمجموعه بسیار کوچک از نقاط مجاور باشد.

منطق این مرحله آن است که DBCLASD برای ساخت یک خوشه، به یک هسته ابتدایی نیاز دارد تا بتواند ویژگی‌های آماری آن را برآورد کند. از آنجا که خود الگوریتم قرار نیست از ابتدا اندازه خوشه را بداند، این بذر تنها نقش «نقطه شروع» را دارد، نه «تعریف نهایی خوشه».

در عمل، انتخاب بذر نامناسب می‌تواند رشد خوشه را تحت تأثیر قرار دهد؛ به همین علت، در تحلیل علمی باید پذیرفت که رفتار الگوریتم تا حدی به کیفیت بذر اولیه حساس است.

7.3. تشکیل مدل اولیه خوشه

پس از انتخاب بذر، الگوریتم یک مدل اولیه از ساختار همسایگی خوشه می‌سازد. مهم‌ترین ویژگی‌ای که در اینجا ارزیابی می‌شود، فاصله نزدیک‌ترین همسایه در میان نقاط فعلی خوشه است.

منطق این مرحله چنین است:

• اگر نقاط واقعاً به یک خوشه همگن تعلق داشته باشند، فاصله‌های همسایگی آن‌ها باید الگوی آماری نسبتاً سازگاری داشته باشد.
• اگر خوشه هنوز بسیار کوچک است، این برآورد خام و ناپایدار خواهد بود؛ اما برای آغاز فرایند کافی است.

در واقع، الگوریتم از همین هسته کوچک یک «تصویر آماری اولیه» می‌سازد تا بعداً بتواند اضافه‌ شدن نقاط جدید را با آن مقایسه کند.

7.4. شناسایی نقاط کاندید در پیرامون خوشه

در گام بعد، DBCLASD نقاطی را که در مجاورت خوشه قرار دارند، به‌عنوان نامزدهای عضویت بررسی می‌کند. این نقاط معمولاً از میان نقاط تخصیص‌نیافته یا نقاطی که هنوز به خوشه دیگری نپیوسته‌اند، انتخاب می‌شوند.

منطق این مرحله بسیار مهم است:

• الگوریتم همه نقاط داده را در هر لحظه بررسی نمی‌کند.
• بلکه فقط روی مرز خوشه و همسایگی نزدیک تمرکز می‌کند.
• این کار هم از نظر مفهومی معنادار است و هم از نظر محاسباتی مقرون‌به‌صرفه‌تر از جست‌وجوی سراسری.

به این ترتیب، رشد خوشه از بیرون به درون یا از هسته به مرز انجام نمی‌شود؛ بلکه از هسته به سمت نواحی مجاور و قابل‌پیوست پیش می‌رود.

7.5. آزمون سازگاری توزیعی

این مرحله، قلب تصمیم‌گیری DBCLASD است. برای هر نقطه کاندید، الگوریتم می‌سنجد که اگر آن نقطه به خوشه افزوده شود، آیا رفتار آماری فاصله‌های همسایگی در خوشه هنوز قابل‌قبول باقی می‌ماند یا خیر.

در اینجا سؤال اصلی این نیست که:

• «آیا این نقطه نزدیک است؟»

بلکه این است که:

• «آیا افزودن این نقطه، ساختار توزیعی خوشه را به‌هم می‌زند؟»

این تفاوت بسیار مهم است. زیرا در خوشه‌بندی سنتی، نزدیکی مکانی ممکن است کافی باشد؛ اما در DBCLASD، نزدیکی فقط شرط لازم نیست، بلکه سازگاری آماری نیز باید برقرار باشد.

به زبان ساده‌تر:

• اگر اضافه شدن یک نقطه باعث شود توزیع فاصله‌های نزدیک‌ترین همسایه‌ها غیرطبیعی یا ناسازگار شود، آن نقطه رد می‌شود.
• اگر توزیع همچنان با الگوی مورد انتظار همخوان بماند، نقطه پذیرفته می‌شود.

7.6. پذیرش یا رد نقطه

در این گام، الگوریتم یک تصمیم دودویی می‌گیرد:

• پذیرش: نقطه به خوشه افزوده می‌شود.
• رد: نقطه در خوشه وارد نمی‌شود و برای بررسی‌های بعدی باقی می‌ماند.

منطق پذیرش تنها بر پایه مجاورت هندسی نیست؛ بلکه بر پایه این اصل استوار است که خوشه باید یک ساختار منسجم آماری داشته باشد. بنابراین، ممکن است نقطه‌ای از نظر فاصله‌ای نزدیک باشد، اما چون الگوی توزیعی را مخدوش می‌کند، از خوشه حذف شود.

این ویژگی، DBCLASD را به الگوریتمی «محتاط» تبدیل می‌کند؛ یعنی الگوریتم ترجیح می‌دهد عضویت مشکوک را نپذیرد تا این‌که ساختار خوشه را به‌اشتباه گسترش دهد.

7.7. به‌روزرسانی خوشه پس از هر پذیرش

هر بار که نقطه‌ای پذیرفته می‌شود، خوشه باید دوباره ارزیابی شود. دلیل آن روشن است:

• با ورود یک عضو جدید، فاصله‌های همسایگی تغییر می‌کند.
• بنابراین، مدل آماری خوشه نیز باید به‌روز شود.

در این مرحله:

• مجموعه نقاط عضو خوشه بازتعریف می‌شود،
• فاصله‌های نزدیک‌ترین همسایه مجدداً محاسبه یا اصلاح می‌شوند،
• و سازگاری آماری خوشه با ساختار جدید دوباره آزمون می‌شود.

این بازآزمایی مداوم باعث می‌شود الگوریتم در رشد خوشه خودتنظیم باشد؛ یعنی هر گام رشد، مبنای گام بعدی را تغییر می‌دهد.

7.8. تکرار فرایند رشد

پس از به‌روزرسانی خوشه، الگوریتم دوباره به سراغ مرز خوشه می‌رود و کاندیدهای جدید را بررسی می‌کند. این چرخه تا زمانی ادامه می‌یابد که:

• هیچ نقطه جدیدی نتواند بدون برهم زدن سازگاری توزیعی پذیرفته شود،
• یا فضای همسایگی پیرامون خوشه عملاً تهی شود.

بنابراین DBCLASD یک فرایند تکرارشونده و رشد-محور است. هر بار که خوشه بزرگ‌تر می‌شود، فضای تصمیم‌گیری هم بازتعریف می‌شود. این همان دلیلی است که می‌گوییم الگوریتم به‌صورت «پویا» عمل می‌کند.

7.9. پایان دادن به یک خوشه

وقتی دیگر هیچ نقطه‌ای در همسایگی خوشه پیدا نشود که معیار سازگاری را برآورده کند، آن خوشه خاتمه می‌یابد.

این خاتمه به معنای آن نیست که خوشه «کامل» شده است به مفهوم هندسی؛ بلکه به این معناست که:

• ادامه رشد دیگر از نظر آماری توجیه‌پذیر نیست.

در نتیجه، DBCLASD نه بر اساس اندازه از پیش تعیین‌شده خوشه، بلکه بر اساس نقطه شکست سازگاری آماری متوقف می‌شود.

7.10. آغاز خوشه بعدی

پس از تثبیت یک خوشه، الگوریتم سراغ نقاطی می‌رود که هنوز به هیچ خوشه‌ای تخصیص نیافته‌اند. از میان آن‌ها، دوباره یک بذر جدید انتخاب می‌شود و فرایند تکرار می‌گردد.

به این ترتیب، کل مجموعه‌داده به‌صورت تدریجی پیمایش می‌شود تا:

• همه خوشه‌های ممکن استخراج شوند،
• و نقاطی که در هیچ ساختار خوشه‌ای سازگار قرار نمی‌گیرند، به‌عنوان نویز یا نقاط منفرد باقی بمانند.

7.11. شرایط توقف کلی الگوریتم

DBCLASD در سطح کلان زمانی پایان می‌یابد که یکی از شرایط زیر برقرار شود:

• همه نقاط به یک خوشه تخصیص یافته باشند.
• نقاط باقی‌مانده دیگر نتوانند بذر معناداری برای تشکیل خوشه جدید فراهم کنند.
• یا در نسخه‌های عملی، معیارهای محدودکننده محاسباتی و توقف اجرایی فعال شوند.

پس توقف الگوریتم به دو سطح تقسیم می‌شود:

1. توقف درون‌خوشه‌ای: وقتی رشد یک خوشه خاص متوقف می‌شود.
2. توقف کلان: وقتی دیگر خوشه جدیدی برای کشف وجود نداشته باشد.

7.12. خروجی‌های الگوریتم

خروجی DBCLASD معمولاً شامل سه جزء است:

• مجموعه خوشه‌ها: هر خوشه شامل نقاطی است که از نظر هندسی و آماری با هم سازگار تشخیص داده شده‌اند.
• نقاط مرزی یا تخصیص‌نیافته: نقاطی که وارد هیچ خوشه‌ای نشده‌اند.
• ساختار خوشه‌بندی نهایی: یعنی تصویر کلی از تقسیم داده به گروه‌های معنی‌دار.

در برخی پیاده‌سازی‌ها، خروجی می‌تواند علاوه بر برچسب خوشه، شامل اطلاعات تکمیلی نیز باشد؛ مثلاً:

• ترتیب رشد خوشه،
• امتیاز سازگاری نقاط،
• یا وضعیت پذیرش/رد هر کاندید.

7.13. منطق تصمیم‌گیری در یک نگاه

منطق DBCLASD را می‌توان در یک گزاره خلاصه کرد:

نقطه‌ای به خوشه تعلق دارد که حضور آن، سازگاری آماری فاصله‌های همسایگی خوشه را حفظ کند.

این گزاره نشان می‌دهد که تصمیم‌گیری در DBCLASD صرفاً موضعی نیست، بلکه ساختارمحور است. الگوریتم از یک نقطه نمی‌پرسد «تو چقدر به خوشه نزدیک هستی؟» بلکه می‌پرسد «تو چه اثری بر رفتار آماری کل خوشه می‌گذاری؟»

7.14. جمع‌بندی عملی

از نظر عملی، جریان اجرای DBCLASD را می‌توان چنین خلاصه کرد:

• ابتدا داده مکانی وارد می‌شود.
• یک بذر اولیه برای شروع خوشه انتخاب می‌گردد.
• الگوی فاصله‌های همسایگی در خوشه اولیه برآورد می‌شود.
• نقاط مجاور به‌عنوان کاندید بررسی می‌شوند.
• هر کاندید از نظر سازگاری توزیعی آزمون می‌شود.
• نقاط سازگار پذیرفته می‌شوند و خوشه رشد می‌کند.
• این چرخه تا توقف رشد ادامه می‌یابد.
• سپس خوشه بعدی آغاز می‌شود.
• در نهایت، مجموعه‌ای از خوشه‌ها و نقاط تخصیص‌نیافته به‌دست می‌آید.

۸. شبه‌کد استاندارد (Pseudocode)

Algorithm DBCLASD(SetOfPoints S): 
Unplaced = S 
Clusters = [] 

while Unplaced is not empty: 
p = SelectRandomPoint(Unplaced) 
CurrentCluster = {p} 
Candidates = GetNeighbors(p, Unplaced) 

while Candidates is not empty: 
q = Candidates.pop() 
TempCluster = CurrentCluster U {q}

 if IsDistributionConsistent(TempCluster): 
CurrentCluster = TempCluster 
Unplaced.remove(q) 
Candidates.update(GetNeighbors(q, Unplaced))
 else:
 # نقطه q ممکن است بعداً در خوشه‌ای دیگر قرار گیرد 
Continue

 if IsValid(CurrentCluster):
 	Clusters.append(CurrentCluster) 

return Clusters

۹. مثال‌های آموزشی

مثال شهودی

تصور کنید در یک دشت، گروه‌هایی از درختان کاشته شده‌اند. در یک جنگل انبوه و سالم (خوشه)، فاصله هر درخت تا نزدیک‌ترین همسایه‌اش تقریباً در یک محدوده مشخص و با الگویی منظم تغییر می‌کند. اگر یک درخت تک‌افتاده در فاصله‌ای بسیار دور باشد، اضافه کردن آن به گروه، نظم آماری فواصل را برهم می‌زند. DBCLASD همان محیط‌بانی است که با متر کردن فواصل، مرز جنگل را از روی «نظم فواصل» تشخیص می‌دهد، نه فقط از روی «نزدیکی».

فرض کنید نقاطی از رویدادهای لرزه‌ای در امتداد یک گسل پراکنده‌اند. یک روش پارتیشن‌بندی ممکن است این الگو را به چند خوشه کوچک و کروی بشکند. DBSCAN می‌تواند آن را به‌خوبی بیابد، مشروط به این‌که Eps مناسب انتخاب شود. DBCLASD مسیر دیگری می‌رود: از چند نقطه اولیه شروع می‌کند و می‌پرسد آیا توزیع فاصله‌های نقاط جدید با الگوی همگن در همان ساختار سازگار است. اگر پاسخ مثبت باشد، خوشه به‌تدریج در امتداد گسل رشد می‌کند؛ حتی اگر شکل آن طویل، باریک و غیرمحدب باشد.

مثال عددی (ساده)

فرض کنید خوشه‌ای شامل ۳ نقطه با فواصل نزدیک‌ترین همسایه{2,2.1,1.9} داریم. نرخ λ بر اساس مساحت تخمین زده می‌شود. نقطه جدیدی کاندید می‌شود که فاصله آن تا نزدیک‌ترین همسایه‌اش در خوشه برابر 5 است.

• توزیع جدید: {2,2.1,1.9,5}.
• محاسبه آزمون : مقدار ۵ انحراف شدیدی از میانگین (حدود ۲) ایجاد می‌کند.
• خروجی: مقدار  محاسبه شده از مقدار بحرانی (مثلاً ۷.۸۱ برای ۳ درجه آزادی) فراتر می‌رود. نتیجه: نقطه رد می‌شود.

۱. مثال عددی ساده (بررسی سازگاری تک‌نقطه با بذر اولیه)

سناریو و فرضیات

یک خوشه اولیه متشکل از دو نقطه داریم که در یک مربع به مساحت A=100 واحد مربع قرار گرفته‌اند. چگالی کلی نقاط در این ناحیه λ=0.02 نقطه بر واحد مربع تخمین زده شده است. نقطه کاندیدای جدیدی به نام p در مجاورت مرز خوشه قرار گرفته است. می‌خواهیم سازگاری آماری فاصله نزدیک‌ترین همسایه این نقطه را با فرض توزیع پواسون همگن در سطح اطمینان α=0.05 بررسی کنیم.

• فاصله نقطه کاندید p تا نزدیک‌ترین همسایه‌اش در خوشه: r_p=2.5 واحد.
  • فرضیه صفر (H₀): نقطه p از توزیع پواسون همگن با چگالی  λ=0.02 پیروی می‌کند.
  • فرضیه مقابل (H₁): نقطه p نویز است یا به توزیع دیگری تعلق دارد.

• گام اول: محاسبه احتمال انباشته تصادفی (CDF)

ابتدا احتمال اینکه در یک فرآیند پواسون همگن با چگالی λ=0.02 ، فاصله نزدیک‌ترین همسایه یک نقطه حداکثر برابر با 2.5 واحد باشد را محاسبه می‌کنیم:

• گام دوم: تحلیل منطق تصمیم‌گیری

در یک نمونه منفرد، مقدار تک‌دنباله متناظر با توزیع انباشته را بررسی می‌کنیم. از آنجا که احتمال مشاهده فاصله‌ای به کوچکی 2.5 یا کمتر برابر با 32.48%  است، این رویداد در محدوده رفتاری مورد انتظار فرآیند پواسون (بزرگ‌تر از آستانه خطای بحرانی  α = 0.05) قرار دارد. به عبارت دیگر، این فاصله به شدت غیرعادی یا دورافتاده نیست.

تفسیر نتیجه

فرضیه صفر رد نمی‌شود. نقطه کاندید p از نظر آماری با هسته خوشه سازگار است و به عنوان عضو جدید پذیرفته می‌شود.

.

۲. مثال عددی متوسط (آزمون نیکویی برازش خی-دو برای خوشه کوچک)

سناریو و فرضیات

خوشه‌ای متشکل از N = 30 نقطه داریم. فواصل نزدیک‌ترین همسایه برای تمامی نقاط این خوشه اندازه‌گیری شده و بر اساس دامنه مقادیر، در سه بازه (Bin) طبقه‌بندی شده‌اند. مساحت تقریب‌زده شده برای قلمرو خوشه A=150 واحد مربع است.

• تعداد کل نقاط: N=30
• چگالی خوشه:

• بازه‌های تعریف شده برای فواصل نزدیک‌ترین همسایه:
• بازه اول: [0,0.8]
• بازه دوم: (0.8,1.5]
• بازه سوم: (1.5,∞)
• فراوانی‌های مشاهده شده در داده‌های واقعی ( ​):
• O₁=18
• O₂=10
• O₃=2

می‌خواهیم با استفاده از آزمون نیکویی برازش کای-اسکوئر (χ^2) در سطح خطای   α = 0.05 سازگاری این خوشه را ارزیابی کنیم.

• گام اول: محاسبه احتمال‌های تئوریک مرز بازه‌ها (P_i​)

با استفاده از فرمول CDF پواسون همگن، احتمال وقوع فواصل در هر بازه را محاسبه می‌کنیم.

• مرز اول (r = 0.8 ):

بنابراین احتمال بازه اول: P₁=F(0.8)=0.3311

• مرز دوم(r=1.5):

بنابراین احتمال بازه دوم: P₂=F(1.5)-F(0.8)=0.7568-0.3311=0.4257

• بازه سوم (r>1.5):

–گام دوم: محاسبه فراوانی‌های مورد انتظار (E_i)

تعداد نقاط مورد انتظار برای هر بازه در صورتی که فرض یکنواختی پواسون برقرار باشد، از رابطه E_i ​ به دست می‌آید:

(کنترل صحت محاسبات: 9.933+12.771+7.296=30.0  )

گام سوم: محاسبه آماره آزمون χ^2

آماره آزمون را طبق رابطه زیر محاسبه می‌کنیم:

گام چهارم: مقایسه با مقدار بحرانی و تصمیم‌گیری

در این آزمون، تعداد بازه‌ها k = 3 است. از آنجا که پارامتر λ را مستقیماً از روی داده‌ها تخمین زده‌ایم، یک درجه آزادی دیگر نیز کسر می‌شود. درجه آزادی برابر است با:

df=k−1−1=1

با مراجعه به جدول توزیع  برای df=1 و سطح معناداری  α=0.05، مقدار بحرانی برابر است با:

مقایسه آماره محاسبه‌شده با مقدار بحرانی:

تفسیر نتیجه

از آنجا که آماره محاسباتی بزرگتر از مقدار بحرانی جدول است، فرضیه صفر با قاطعیت رد می‌شود. این تحلیل نشان می‌دهد که فواصل نقاط در این خوشه با فرآیند پواسون همگن سازگار نیستند (نقاط بیش از حد در فواصل بسیار کوتاه تجمع یافته‌اند). الگوریتم این ساختار را به عنوان یک خوشه واحد و همگن نمی‌پذیرد و فرآیند رشد را متوقف یا خوشه را بازآرایی می‌کند.

.

۳. مثال عددی پیشرفته (رشد مرحله‌ای خوشه و تحلیل پویای تغییر چگالی)

سناریو و فرضیات

یک خوشه هسته متشکل از ۴ نقطه داریم که مختصات آن‌ها به شرح زیر است:

• A(2.0,2.0)
• B(2.5,2.0)
• C(2.0,2.5)
• D(2.5,2.5)

مساحت تقریبی اشغال‌شده توسط این هسته بر اساس پوش محدب (Convex Hull) یا کادر محاطی برابر است با  A _core=0.25   واحد مربع. دو نقطه کاندید به نام‌های( 3.0,2.0) = p₁ و  p₂=(5.5,2.5) به ترتیب برای الحاق به خوشه نامزد شده‌اند.

سطح معناداری آزمون  α=0.05 فرض می‌شود. می‌خواهیم گام‌به‌گام الحاق پویای این دو نقطه و تأثیر آن‌ها را بر چگالی (λ) و آزمون آماری تحلیل کنیم.

بخش اول: تحلیل کاندیداتوری نقطه اول  p₁

گام ۱-۱: محاسبه فواصل نزدیک‌ترین همسایه در حالت ادغام موقت {A,B,C,D,P₁ }

مساحت جدید پس از اضافه شدن P₁  به حدود  A_new=0.5 واحد مربع (مستطیلی بین  X∈[2 ,3]  و Y∈[2 ,2.5] افزایش می‌یابد.

تعداد نقاط جدید: N = 5، پس چگالی جدید:

محاسبه نزدیک‌ترین همسایه برای تک‌تک نقاط در این ترکیب ۵ نقطه‌ای:

نقطه	نزدیک‌ترین همسایه(ها)	فاصله (r)
A	B یا C	۰٫۵
B	A، D یا P1	۰٫۵
C	A یا D	۰٫۵
D	B یا C	۰٫۵
P1	B	۰٫۵

با توجه به مقادیر جدول ۱، مشاهده می‌شود که تمام نقاط مجموعه‌ی {A,B,C,D,P₁} دارای فاصله نزدیک‌ترین همسایه‌ای برابر با ۰٫۵ هستند. در نتیجه، افزودن نقطه P₁​ نه‌تنها تغییری در واریانس فواصل ایجاد نمی‌کند، بلکه الگوی توزیع کاملاً منظمی را در خوشه حفظ می‌نماید. این یکنواختی، مبنای آماری لازم برای پذیرش P₁​ در آزمون سازگاری توزیعی فراهم می‌کند.

لیست فواصل نزدیک‌ترین همسایه: {0.5,0.5,0.5,0.5,0.5}

–گام ۱-۲: انجام آزمون انحراف آماری

از آنجا که تمام فواصل دقیقاً یکسان هستند، آزمون توزیع انباشته انفرادی را روی نقطه جدید P₁ با فاصله r=0.5  پیاده می‌کنیم:

همچنین احتمال عدم وقوع (باقی‌مانده توزیع):

اگرچه این احتمال بسیار کوچک است (نشان‌دهنده این است که نقاط بسیار به هم فشرده و منظم هستند)، اما الگوی فاصله‌ای نقطهP₁ دقیقاً مشابه بقیه نقاط هسته است و تغییری در واریانس فواصل ایجاد نمی‌کند. انحراف آماری بین نقاط هسته و نقطه جدید صفر است.

نتیجه بخش اول

نقطهP₁ پذیرفته می‌شود و خوشه جدید شامل ۵ نقطه تثبیت می‌گردد:

بخش دوم: تحلیل کاندیداتوری نقطه دوم  P₂

.گام ۲-۱: محاسبه فواصل در صورت ادغام موقتP₂ ​ با خوشه جدید

مجموعه نقاط موقت:

محدوده جغرافیایی از X=2 تا  X=5.5گسترش می‌یابد. مساحت تخمینی مستطیل محاطی جدید:

چگالی جدید متناسب با مساحت کل:

محاسبه مجدد نزدیک‌ترین همسایه‌ها برای ۶ نقطه:

نقطه	نزدیکترین همسایه(ها)	فاصله (rr)
A	B یا C	۰٫۵۰
B	A، D یا $P_1$P1​	۰٫۵۰
C	A یا D	۰٫۵۰
D	B یا C	۰٫۵۰
$P_1$P1​	B	۰٫۵۰
$P_2$P2​	$P_1$P1​	$\sqrt{6.5}\approx 2.55$6.5​≈2.55

با توجه به مقادیر جدول ۱، در سناریوی الحاق نقطهی $P_1$​، هر پنج نقطه دارای فاصلهی نزدیکترین همسایهی برابر با ۰٫۵ هستند که نشاندهندهی توزیعی کاملاً یکنواخت و همگن است. اما با در نظر گرفتن نقطهی $P_2$​، مجموعهی فواصل به $\{0.5,0.5,0.5,0.5,0.5,2.55\}$ تغییر میکند. وجود فاصله ی ۲٫۵۵ در کنار پنج فاصله ی ۰٫۵، به وضوح ساختار یکنواخت توزیع را برهم میزند و مبنای آماری لازم برای رد این نقطه در آزمون سازگاری توزیعی فراهم میآورد.

لیست فواصل جدید: {0.5,0.5,0.5,0.5,0.5,2.55}

.گام ۲-۲: آزمون نیکویی برازش توزیع فواصل

فواصل را به دو بازه تقسیم می‌کنیم تا آزمون کای-اسکوئر را انجام دهیم:

• بازه اول: [0,1.0]
• بازه دوم: (1.0,∞)

تعداد مشاهدات در بازه‌ها (O₂=1 ,O₁=5 ).

محاسبه احتمال‌های تئوریک با چگالی λ=3.428

• احتمال وقوع در بازه اول (P₁ ​):

• احتمال وقوع در بازه دوم (P₂):

• محاسبه فراوانی‌های مورد انتظار  (E_i=N×P_i ) :

• محاسبه آمارهχ^2:

گام ۲-۳: مقایسه و تحلیل تصمیم

مقدار فوق‌العاده بزرگ آماره χ^2 به وضوح نشان‌دهنده انحراف شدید است. با درجه آزادی df=1 و α=0.05، مقدار محاسباتی بسیار فراتر از حد آستانه (3.841) است.

تفسیر نتیجه نهایی

اضافه شدن نقطه  P₂ به دلیل فاصله زیاد آن (2.55)، یکنواختی توزیع چگالی خوشه را به‌طور کامل از بین می‌برد. در نتیجه، الگوریتم DBCLASD الحاق نقطه P₂ را رد می‌کند. نقطه P₂  در این مرحله به عنوان نویز علامت‌گذاری می‌شود تا احتمالاً در مراحل بعدی بذر تشکیل یک خوشه جدید با چگالی کمتر باشد. خروجی نهایی این گام، تثبیت خوشه با ۵ نقطه اولیه است.

۱۰. تحلیل رفتاری و تبیین علمی

رفتار DBCLASD در برابر الگوهای مختلف قابل توجه است:

• تغییرات چگالی: برخلاف DBSCAN که در داده‌های با چگالی متغیر (Multi-density) دچار مشکل می‌شود، DBCLASD به دلیل تخمین محلی λ در هر خوشه، انعطاف‌پذیری بیشتری دارد. در داده‌های با چگالی نسبتاً یکنواخت درون هر خوشه، فرض مدل به‌خوبی برقرار می‌ماند.
• در داده‌های با چگالی‌های بسیار ناهمگن یا خوشه‌های چندمقیاسی، الگوریتم با چالش مواجه می‌شود؛ زیرا فرض یکنواختی درون خوشه تضعیف می‌شود.
• حساسیت به نویز: این الگوریتم نسبت به نویز بسیار مقاوم است، زیرا نویزها معمولاً توزیع یکنواخت فواصل را در خوشه‌های متراکم برهم می‌زنند. در داده‌های پرنویز نیز کیفیت تصمیم‌گیری به حساسیت آزمون سازگاری توزیعی بستگی دارد.
• ابعاد بالا: در ابعاد بالا، مفهوم «نزدیک‌ترین همسایه» دچار پدیده تمرکز (Concentration) می‌شود که می‌تواند دقت آزمون‌های آماری را کاهش دهد.

شکل خوشه‌ها: به دلیل عدم استفاده از شعاع ثابت، DBCLASD می‌تواند خوشه‌هایی با شکل‌های بسیار پیچیده و حتی خوشه‌هایی که داخل یکدیگر هستند (بدون تماس) را شناسایی کند. در خوشه‌های با شکل دلخواه، عملکرد آن از روش‌های پارتیشن‌بندی بهتر است.

۱۱. تحلیل پیچیدگی و مقیاس‌پذیری

مقاله اصلی DBCLASD را از نظر کارایی برای پایگاه‌های داده بزرگ جذاب گزارش می‌کند و بیان می‌کند که کارایی آن بین CLARANS و DBSCAN و نزدیک به DBSCAN است (Xu et al., 1998). با این حال، در منابع ثانویه معمولاً فرمول‌بندی استاندارد و یکسانی از پیچیدگی زمانی آن ارائه نمی‌شود. از این‌رو، در نگارش دانشگاهی دقیق باید گفت:

• پیچیدگی به ساختار شاخص مکانی، راهبرد انتخاب کاندیدها و هزینه آزمون توزیعی وابسته است.
• بدون شاخص‌گذاری مناسب، جست‌وجوی همسایگی می‌تواند پرهزینه شود.
• گزارش یک مرتبه زمانی صلب برای همه پیاده‌سازی‌ها، بدون ارجاع به نسخه دقیق الگوریتم، روش‌مند نیست.

• پیچیدگی زمانی: با استفاده از ساختارهای داده مکانی (مانند R*-tree)، پیچیدگی جست‌وجوی همسایه O(logn) است. در بدترین حالت، پیچیدگی کل الگوریتم O(n logn) برآورد می‌شود. بدون ساختار درختی، پیچیدگی به O(n^2) می‌رسد.
• پیچیدگی حافظه: الگوریتم به O(n) حافظه برای ذخیره نقاط و وضعیت عضویت آن‌ها نیاز دارد.
• مقیاس‌پذیری: DBCLASD برای پایگاه‌های داده بزرگ طراحی شده است و به دلیل ماهیت محلی آزمون‌ها، قابلیت موازی‌سازی بالایی دارد.

۱۲. ابرپارامترها و تنظیم

مزیت مشهور DBCLASD این است که مانند DBSCAN به Eps و MinPts نیاز ندارد. اما این گزاره نباید به‌صورت ساده‌انگارانه تفسیر شود. «بی‌نیازی از پارامتر» در اینجا یعنی نبود پارامترهای صریح و کاربر-محورِ کلاسیک؛ نه این‌که الگوریتم کاملاً فاقد تصمیم‌های طراحی باشد. در عمل، پیاده‌سازی ممکن است شامل انتخاب‌هایی برای:

• راهبرد تعیین seed
• نحوه تعریف همسایگی کاندید
• معیار پذیرش آماری
• قواعد توقف

باشد. پس DBCLASD از نظر تنظیم‌پذیری کاربر سبک‌تر است، نه لزوماً از نظر پیچیدگی درونی پیاده‌سازی.

یکی از افتخارات DBCLASD، بدون پارامتر بودن (Parameter-free) در لایه سطحی است. با این حال، در لایه عمیق‌تر:

1. سطح معناداری (α\alphaα): میزان سخت‌گیری در پذیرش نقاط. مقادیر معمول ۰.۰۱ یا ۰.۰۵ هستند.
2. تعداد بازه‌ها در آزمون   : تعیین می‌کند که توزیع با چه جزئیاتی بررسی شود.
3. حداقل اندازه خوشه: برای جلوگیری از تشکیل خوشه‌های بی‌معنی ناشی از نویز آماری.

13. مزایا

مهم‌ترین مزایای DBCLASD عبارت‌اند از:

• کشف خوشه‌های با شکل دلخواه
• عدم نیاز به تعیین دستی ϵ و MinPts.
• کاهش وابستگی به پارامترهای ورودی صریح
• طراحی مناسب برای داده‌های مکانی بزرگ
• برخورداری از بنیان آماری روشن‌تر نسبت به برخی روش‌های صرفاً هندسی
• مبنای آماری مستحکم برای تفکیک نویز.
• جذابیت مفهومی برای مسائلی که در آن‌ها رفتار فاصله‌های همسایگی معنا دارد

14. محدودیت‌ها

محدودیت‌های اصلی نیز باید صریح بیان شوند:

• فرض یکنواختی درون خوشه در بسیاری از داده‌های واقعی کاملاً برقرار نیست. اگر چگالی درون یک خوشه به‌صورت تدریجی تغییر کند (مثلاً از مرکز به بیرون کم شود)، DBCLASD ممکن است آن را به چندین خوشه تقسیم کند.
• الگوریتم در ادبیات جدید و در کتابخانه‌های استاندارد، به‌اندازه DBSCAN یا HDBSCAN رایج نیست.
• پیاده‌سازی آن نسبت به DBSCAN پیچیده‌تر است.
• در داده‌های با چگالی متغیر، خوشه‌های تو در تو یا ساختارهای بسیار ناهمگن، ممکن است دقت آن کاهش یابد.
• هزینه محاسباتی: آزمون‌های آماری مکرر سنگین‌تر از چک کردن ساده چگالی در DBSCAN است.
• مستندات فنی و نرم‌افزاری آماده برای آن محدود است.

شرایط شکست

الگوریتم در مجموعه‌داده‌هایی که خوشه‌ها دارای تداخل چگالی (Overlapping) هستند یا توزیع درون آن‌ها به شدت غیریکنواخت است، عملکرد ضعیفی خواهد داشت.

۱5. کاربردها و موارد استفاده

• زلزله‌شناسی: شناسایی کانون‌های لرزه‌خیز بر اساس توزیع مکانی پس‌لرزه‌ها.
• اخترشناسی: شناسایی خوشه‌های ستاره‌ای در نقشه‌های آسمان یا ساختارهای کهکشانی.
• GIS: تحلیل الگوهای توزیع جرائم یا شیوع بیماری‌ها در سطح شهر.
• نظامی: شناسایی مناطق مین‌گذاری شده بر اساس تشخیص الگوهای غیرتصادفی.

امروزه از منظر مفهومی، این الگوریتم برای هر مسئله‌ای مناسب است که در آن:

1. داده‌ها مکانی یا فضایی باشند،
2. شکل خوشه‌ها نامنظم باشد،
3. روابط آماری همسایگی مهم‌تر از فاصله‌های مطلق باشند.

۱6. مقایسه با الگوریتم‌های مشابه

معیار	DBCLASD	DBSCAN	OPTICS
پارامترها	نیاز ندارد (آماری)	شدید (ϵ,MinPts)	نیاز به تنظیم حداقل نقاط
شکل خوشه	هر شکلی	هر شکلی	هر شکلی (سلسله‌مراتبی)
چگالی متغیر	عملکرد خوب	عملکرد ضعیف	عملکرد عالی
مبنای علمی	توزیع آماری پواسون	چگالی هندسی محلی	دسترسی‌‌پذیری چگالی

• با CLARANS:

CLARANS یک روش پارتیشن‌بندی است و برای خوشه‌های غیرکروی محدودیت دارد. DBCLASD برای این ضعف طراحی شد.

• با DBSCAN:

DBSCAN مشهورتر، ساده‌تر در پیاده‌سازی، و در عمل بسیار رایج‌تر است. اما به Eps و MinPts وابسته است. DBCLASD این وابستگی را کاهش می‌دهد، ولی فرض آماری قوی‌تری دارد.

• با OPTICS و HDBSCAN:

این روش‌های جدیدتر مسئله چگالی متغیر و ساختار سلسله‌مراتبی را بهتر پوشش می‌دهند. در نتیجه، هرچند DBCLASD از نظر تاریخی مهم است، در بسیاری از کاربردهای مدرن جای خود را به روش‌های انعطاف‌پذیرتر داده است.

17. رویکردهای نوین DBCLASD در ادبیات جدید

DBCLASD از نظر تاریخی یک الگوریتم مرجع در مسیر تکامل خوشه‌بندی چگالی‌مبنا است، اما امروزه بیشتر اهمیت مفهومی و آموزشی دارد تا نرم‌افزاری. علت این امر روشن است: جامعه علمی به‌سمت روش‌هایی رفته که یا تنظیم آن‌ها آسان‌تر است، یا با چگالی‌های متغیر بهتر کنار می‌آیند، یا در کتابخانه‌های پرکاربرد پیاده‌سازی پایدار دارند. با این حال، DBCLASD هنوز برای آموزش ایده «تصمیم‌گیری مبتنی بر سازگاری توزیعی» بسیار ارزشمند است.

• Incremental DBCLASD: برای کار با داده‌های جریانی (Streaming Data) که نقاط به‌طور مداوم اضافه می‌شوند.
• Parallel DBCLASD: نسخه‌های بهینه‌شده برای اجرا در محیط‌های محاسباتی توزیع‌شده مانند Spark.
• ترکیب با Deep Learning: تحقیقات اخیر (۲۰۲۰ به بعد) بر استفاده از شبکه‌های عصبی گراف برای تخمین توزیع‌های پیچیده‌تر به جای پواسون همگن تمرکز دارند.

اگر بخواهیم جمع‌بندی کنیم، آینده‌ی DBCLASD در چند مسیر اصلی دیده می‌شود:

1. تطبیق با چگالی‌های ناهمگن :یعنی فاصله گرفتن از فرض یکنواختی سراسری.
2. نسخه‌های آنلاین و افزایشی: مناسب برای داده‌های جریانی و بلادرنگ.
3. مقیاس‌پذیری توزیع‌شده : برای کلان‌داده‌های مکانی.
4. ترکیب با یادگیری نمایش: برای داده‌های پربعدی و غیرخطی.
5. گسترش به داده‌های spatiotemporal : برای تحلیل رویدادهای واقعی.
6. استنباط احتمالاتی و نرم : برای افزایش انعطاف و کاهش خطای تصمیم.
7. هیبرید با DBSCAN/OPTICS/HDBSCAN و روش‌های گرافی :برای برخورد بهتر با ساختارهای پیچیده.

17.1. گذار از چگالی یکنواخت به چگالی‌های ناهمگن

یکی از مهم‌ترین محدودیت‌های DBCLASD کلاسیک، اتکای آن به فرض نسبتاً یکنواخت بودن توزیع نقاط درون هر خوشه است. این فرض در داده‌های واقعی، به‌ویژه در داده‌های شهری، اجتماعی، ترافیکی و حسگری، اغلب برقرار نیست. مرورهای جدید در حوزه خوشه‌بندی چگالی‌محور نشان می‌دهند که تمرکز عمده پژوهش‌ها به سمت الگوریتم‌هایی رفته است که بتوانند نواحی با چگالی متغیر را بهتر مدیریت کنند. در این چارچوب، می‌توان آینده DBCLASD را در بازطراحی آن به‌صورت یک الگوریتم با برآورد چگالی محلی و تطبیقی تصور کرد؛ به این معنا که تصمیم‌گیری درباره الحاق یک نقطه نه بر پایه یک مدل یکنواخت سراسری، بلکه بر مبنای ویژگی‌های موضعی هر زیرناحیه انجام شود.

این جهت‌گیری با مباحث مطرح‌شده در مرور Bhuyan و Borah (2023) درباره روش‌های چگالی‌محور هم‌راستا است؛ جایی که DBCLASD در کنار DBSCAN، OPTICS، VDBSCAN، DVBSCAN، ST-DBSCAN و DENCLUE قرار می‌گیرد و تفاوت اصلی نسل جدید الگوریتم‌ها در توانایی سازگاری با ساختارهای پیچیده‌تر داده دیده می‌شود.در مرورهای جدید، از جمله Bhuyan و Borah (2023) در A Survey of Some Density Based Clustering Techniques، DBCLASD در کنار DBSCAN، OPTICS، VDBSCAN، DVBSCAN، ST-DBSCAN و DENCLUE بررسی می‌شود و این نتیجه برجسته می‌شود که روش‌های جدید باید بتوانند چگالی‌های متغیر را بهتر مدیریت کنند.

برداشت آینده‌نگر:

نسخه‌های آینده‌ی DBCLASD می‌توانند به‌جای یک مدل آماری ثابت، از مدل‌های محلی و تطبیقی برای برآورد چگالی استفاده کنند؛ یعنی آزمون پذیرش/رد عضو جدید به‌صورت «محلی» و متناسب با زیرناحیه‌ی خوشه انجام شود، نه با یک پارامتر جهانی.

---

17.2. DBCLASD در قالب الگوریتم‌های افزایشی و جریانی

از آنجا که DBCLASD ذاتاً یک الگوریتم رشد خوشه‌ای است، ظرفیت مفهومی خوبی برای تبدیل شدن به یک روش incremental یا streaming دارد. در محیط‌های داده‌محور امروز، بسیاری از داده‌ها به‌صورت پیوسته و لحظه‌ای تولید می‌شوند؛ مانند داده‌های سنسوری، موقعیت‌یابی مکانی، تراکنش‌های برخط و داده‌های شبکه‌های اجتماعی. در چنین شرایطی، بازاجرای کامل الگوریتم پس از ورود هر دسته داده جدید پرهزینه است. بنابراین، یکی از مسیرهای طبیعی برای آینده DBCLASD، طراحی نسخه‌هایی است که بتوانند با ورود داده‌های جدید، خوشه‌های موجود را به‌صورت تدریجی به‌روزرسانی کنند.

در منبع Spatial Clustering Algorithms: An Overview (2024)، DBCLASD به‌عنوان الگوریتمی با رفتار افزایشی توصیف شده است. این ویژگی نشان می‌دهد که ایده اصلی الگوریتم با نیازهای سامانه‌های بلادرنگ سازگار است و می‌تواند مبنای توسعه نسخه‌های online، window-based و حتی drift-aware قرار گیرد.

برداشت آینده‌نگر:

یک مسیر مهم برای DBCLASD، طراحی نسخه‌های:

• online / streaming
• incremental
• window-based
• concept-drift aware

است؛ به‌ویژه برای سنسورها، GPS، شبکه‌های اجتماعی و سامانه‌های بلادرنگ.

---

17.3. مقیاس‌پذیری با پردازش موازی و توزیع‌شده

یکی دیگر از روندهای اصلی در ادبیات جدید، افزایش مقیاس‌پذیری الگوریتم‌های چگالی‌محور برای کار با کلان‌داده‌ها است. هرچند DBCLASD در زمان معرفی خود برای پایگاه‌های داده بزرگ مکانی طراحی شده بود، اما در مقیاس‌های امروزی، اجرای کارای آن بدون استفاده از پردازش موازی، شاخص‌گذاری فضایی و معماری‌های توزیع‌شده دشوار خواهد بود. به همین دلیل، آینده عملی این الگوریتم را می‌توان در قالب نسخه‌هایی مبتنی بر Spark، Hadoop یا چارچوب‌های مشابه متصور شد.

مرور Kulkarni و Burhanpurwala (2024) درباره پیشرفت‌های DBSCAN برای کلان‌داده‌ها، هرچند مستقیماً DBCLASD را بازطراحی نمی‌کند، اما به‌روشنی نشان می‌دهد که بقای روش‌های چگالی‌محور در کاربردهای صنعتی وابسته به توزیع‌پذیری، کاهش هزینه جست‌وجوی همسایگی و پردازش موازی است. این نکته برای DBCLASD نیز کاملاً صادق است، زیرا آزمون‌های آماری محلی آن قابلیت طبیعی برای موازی‌سازی دارند.

برداشت آینده‌نگر:

نسخه‌های مدرن DBCLASD می‌توانند با این ایده‌ها تقویت شوند:

• استفاده از Spark / Hadoop / Flink
• ساختارهای نمایه‌سازی فضایی مثل R-tree، grid index، kd-tree
• موازی‌سازی آزمون‌های آماری همسایگی
• اجرای چندمرحله‌ای: خوشه‌بندی محلی + ادغام جهانی

---

17.4. ترکیب با کاهش‌بُعد و یادگیری نمایش

DBCLASD در اصل برای داده‌های مکانی کم‌بعد طراحی شده است، اما بسیاری از داده‌های معاصر دارای ابعاد زیاد یا ساختارهای غیرخطی هستند. یکی از گرایش‌های مهم در پژوهش‌های جدید، استفاده از روش‌های یادگیری نمایش مانند UMAP یا سایر تکنیک‌های manifold learning پیش از اعمال خوشه‌بندی است. در این رویکرد، داده‌ها ابتدا به یک فضای کم‌بعد اما معنادار نگاشت می‌شوند، سپس الگوریتم خوشه‌بندی روی نمایش جدید اجرا می‌شود.

مثلاً مقاله‌ی Herrmann et al. (2023) با عنوان Enhancing cluster analysis via topological manifold learning نشان می‌دهد که ترکیب UMAP + DBSCAN می‌تواند کشف خوشه‌ها را در داده‌های پیچیده بهبود دهد. این دقیقاً به DBCLASD هم قابل تعمیم است: ابتدا داده در یک فضای مناسب‌تر فشرده می‌شود، سپس منطق آماری DBCLASD روی آن اعمال می‌گردد. در واقع، می‌توان تصور کرد که در نسخه‌های آینده، DBCLASD نه مستقیماً روی فضای خام داده، بلکه روی یک embedding مناسب اجرا شود تا محدودیت آن در مواجهه با ساختارهای پیچیده کاهش یابد.

برداشت آینده‌نگر:

DBCLASD می‌تواند در قالب یک پایپ‌لاین مدرن به کار رود:

1. embedding / manifold learning
2. detection of local density structure
3. statistical cluster-growth test

این مسیر برای داده‌های مکانی-معنایی، تصویر، متن مکان‌مند و داده‌های چندوجهی بسیار مهم است.

---

17.5. گسترش به داده‌های مکانی-زمانی

بخش بزرگی از داده‌های امروز تنها بُعد مکانی ندارند، بلکه شامل مولفه زمانی نیز هستند. تحلیل ترافیک، پایش محیطی، ردیابی حرکت، داده‌های پزشکی مبتنی بر موقعیت و رویدادهای شهری از این دسته‌اند. در چنین کاربردهایی، عضویت یک نقطه در خوشه فقط تابع مکان نیست، بلکه به زمان وقوع نیز وابسته است. از این رو، یکی از مسیرهای آینده DBCLASD، توسعه آن به صورت یک روش spatiotemporal است.

در این توسعه، می‌توان به‌جای آزمون صرف توزیع فاصله‌های مکانی، از آزمون‌های ترکیبی مکان-زمان استفاده کرد؛ برای مثال، سازگاری نقطه جدید با خوشه بر اساس همزمانی مکانی و نزدیکی زمانی سنجیده شود. این رویکرد می‌تواند DBCLASD را از یک الگوریتم صرفاً مکانی به یک چارچوب عمومی‌تر برای کشف الگوهای پویا تبدیل کند.

بخش مهمی از داده‌های واقعی فقط مکانی نیستند، بلکه زمان نیز در آن‌ها نقش دارد:

• مسیرهای حمل‌ونقل
• رویدادهای شهری
• داده‌های زیست‌محیطی
• رخدادهای شبکه‌های اجتماعی

DBCLASD کلاسیک برای این نوع داده‌ها مستقیماً طراحی نشده است، اما منطق آن می‌تواند به نسخه‌های spatiotemporal تعمیم یابد.

مرورهای جدید خوشه‌بندی مکانی نیز نشان می‌دهند که روش‌های density-based اگر بخواهند در داده‌های شهری و مکانی جدید باقی بمانند، باید بُعد زمان و پویایی را وارد مدل کنند.

برداشت آینده‌نگر:

یک DBCLASD آینده می‌تواند از:

• پنجره‌های زمانی
• آزمون‌های سازگاری توزیع در طول زمان
• آستانه‌های پویا
• تشخیص drift مکانی-زمانی

استفاده کند.

---

17.6.هیبریدسازی با روش‌های مدرن خوشه‌بندی

در ادبیات معاصر، بسیاری از الگوریتم‌های خوشه‌بندی به‌صورت مستقل به کار نمی‌روند، بلکه در قالب راهکارهای هیبریدی ظاهر می‌شوند. آینده DBCLASD نیز می‌تواند در تعامل با روش‌هایی مانند DBSCAN، OPTICS و HDBSCAN تعریف شود. برای مثال، یک الگوریتم هیبریدی می‌تواند ابتدا با استفاده از یک روش سریع‌تر نواحی متراکم اولیه را شناسایی کند و سپس با منطق آماری DBCLASD، عضویت نقاط مرزی را اعتبارسنجی کند. برعکس، DBCLASD نیز می‌تواند به‌عنوان یک لایه ارزیابی آماری روی خوشه‌های استخراج‌شده توسط دیگر روش‌ها عمل کند.

در ادبیات جدید، کمتر الگوریتمی به‌صورت کاملاً خالص باقی می‌ماند. گرایش اصلی، hybrid clustering است. در این رویکرد، DBCLASD می‌تواند به‌عنوان یک هسته‌ی تصمیم‌گیری آماری در کنار روش‌های دیگر قرار گیرد:

• ابتدا DBSCAN / OPTICS برای پیدا کردن نواحی بالقوه
• سپس DBCLASD برای آزمون آماری عضویت
• یا برعکس، DBCLASD برای validate کردن خوشه‌های استخراج‌شده توسط روش‌های دیگر

برداشت آینده‌نگر:

این نوع ترکیب، به‌ویژه در داده‌هایی که مرز خوشه‌ها مبهم است یا چگالی در سطح کل داده یکنواخت نیست، می‌تواند نقاط قوت چند رویکرد را همزمان به‌کار گیرد.

---

17.7.تغییر از «آزمون سخت‌گیرانه» به «استنباط احتمالاتی نرم»

DBCLASD کلاسیک در تصمیم‌گیری ماهیتی نسبتاً سخت دارد: یک نقطه یا پذیرفته می‌شود یا رد می‌گردد. در مقابل، بسیاری از رویکردهای جدید در خوشه‌بندی و یادگیری بدون ناظر به سمت مدل‌های احتمالاتی و عضویت نرم حرکت کرده‌اند. در چنین چارچوبی، به‌جای آنکه برای هر نقطه یک تصمیم قطعی گرفته شود، می‌توان درجه‌ای از سازگاری یا احتمال عضویت به آن نسبت داد.

این تغییر پارادایم به‌ویژه در داده‌های نویزی، ناقص یا دارای ابهام مرزی مفید است. بنابراین، یکی از مسیرهای امیدوارکننده برای آینده DBCLASD، بازتعریف آزمون‌های آماری آن در قالب یک سیستم امتیازدهی احتمالاتی است؛ به‌گونه‌ای که هر نقطه یک نمره سازگاری با خوشه دریافت کند و تصمیم نهایی بر مبنای آستانه‌های نرم‌تر اتخاذ شود.پژوهش‌های جدید در clustering به سمت:

• probabilistic clustering
• Bayesian density estimation
• uncertainty-aware clustering
• soft assignment

حرکت کرده‌اند.

برداشت آینده‌نگر:

نسخه‌های جدید DBCLASD می‌توانند به‌جای رد/قبول سخت، یک احتمال عضویت یا درجه سازگاری آماری تولید کنند. این کار در داده‌های noisy، ناقص و ناپایدار بسیار مفید است.

نتیجه گیری

بررسی منابع جدید نشان می‌دهد که اگرچه DBCLASD به‌صورت مستقیم کمتر موضوع توسعه‌های مستقل اخیر بوده است، اما منطق بنیادین آن همچنان در قلب چند روند مهم پژوهشی حضور دارد. این روندها شامل سازگاری با چگالی‌های ناهمگن، پردازش افزایشی و جریانی، مقیاس‌پذیری برای کلان‌داده‌ها، تلفیق با یادگیری نمایش، گسترش به داده‌های مکانی-زمانی، هیبریدسازی با الگوریتم‌های جدیدتر، و حرکت به سمت تصمیم‌گیری احتمالاتی است. در نتیجه، آینده DBCLASD را باید نه در بازتولید نسخه کلاسیک آن، بلکه در بازآفرینی آن به‌عنوان یک چارچوب آماری انعطاف‌پذیر، مقیاس‌پذیر و قابل ترکیب با فناوری‌های نوین تحلیل داده جست‌وجو کرد.

۱8. جمع‌بندی، نکات کلیدی و سنجش یادگیری

DBCLASD با پیوند میان آمار کلاسیک و داده‌کاوی مکانی، رویکردی هوشمندانه برای خوشه‌بندی ارائه می‌دهد. این الگوریتم با فرض «خوشه به عنوان یک توزیع یکنواخت»، نیاز به پارامترهای تجربی را حذف کرده و دقت را در بسیاری از سناریوهای واقعی بهبود می‌بخشد.

نکات کلیدی

• مبنای تصمیم‌گیری: آزمون نیکویی برازش .
• فرض زیربنایی: فرآیند پواسون همگن درون خوشه.
• خروجی: خوشه‌های با شکل دلخواه و تفکیک نویز.

سنجش یادگیری

1. پرسش مفهومی: چرا فرض فرآیند پواسون همگن برای خوشه‌هایی با چگالی متغیر درونی چالش‌برانگیز است؟
2. تمرین محاسباتی: با فرض  در فضای دوبعدی، احتمال اینکه فاصله نزدیک‌ترین همسایه یک نقطه کمتر از ۱ واحد باشد را محاسبه کنید.
3. پروژه: با استفاده از کتابخانه scipy.stats یک تابع برای انجام آزمون  روی فواصل نزدیک‌ترین همسایه بنویسید.

۱9. منابع اصلی

Xu, X., Ester, M., Kriegel, H. P., & Sander, J. (1998). A distribution-based clustering algorithm for mining in large spatial databases. Proceedings of the 14th International Conference on Data Engineering (ICDE), 163-171.

Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651-666.

Parimala, M., et al. (2011). A survey on density based clustering algorithms for mining large spatial databases. International Journal of Advanced Science and Technology.

Bhattacharjee, P., & Mitra, P. (2020). A survey of density-based clustering algorithms. Frontiers of Computer Science.

Bhuyan, R., & Borah, S. (2023). A Survey of Some Density Based Clustering Techniques

Kulkarni, O. S., & Burhanpurwala, A. (2024). A Survey of Advancements in DBSCAN Clustering Algorithms for Big Data.

Herrmann, M., et al. (2023). Enhancing cluster analysis via topological manifold learning

SACA: Selective Attention-Based Clustering Algorithm (2025)

کتاب‌ها و فصل‌های کتاب

Fuchs, M., & Höpken, W. (2022). Clustering: Hierarchical, k-Means, DBSCAN

Ros, F., & Riad, R. (2023). Clustering در کتاب Unsupervised and Semi-Supervised Learning