گزینش متغیر از طریق برآورد تاوانیده برای کاهش بعد برخوردار از جذابیت است. برای رگرسیون خطی تاوانیده، افران و همکاران (2004) الگوریتم LARS را مطرح کردند. اخیرا الگوریتم نزول مختص (CD) توسط فریدمن و همکاران (2007) برای رگرسیون خطی تاوانیده و رگرسیون لوژستیک تاوانیده پرورده و نشان داده شد که برتری محاسباتی به دست می آید. این مقاله به کاوش در الگوریتمCD ‎ دو برآورد واگرایی برگمن (‎ (BDتاوانیده برای رده ای گسترده تر از مدل ها می پردازد که نه تنها مدل خطی تعمیم یافته را، که در نوشتگان مربوط به تاوانیدن به حد کفایت مطالعه شده، در بر می گیرد، بلکه مدل شبه درست نمایی را، که کمتر پرورده شده، شامل می شود. مطالعه بر اساس شبیه سازی و کاربرد داده های واقعی، عملکرد الگوریتم های ‎ CDو LARS را در برآورد رگرسیونی، گزینش متغیر و شیوه رده بندی موقعی که تعداد متغیرهای تبیینی در مقایسه با اندازه نمونه بزرگ است، تشریح می کند.

پردازش تصویر روشی برای اعمال برخی عملیات ها برروی تصویر، برای به دست آوردن تصاویری با کیفیت بالاتر یا استخراج برخی اطلاعات مفید می باشد. الگوریتم های سنتی پردازش تصویر در شرایطی که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می شوند توزیع متفاوتی از تصاویر آزمایشی (دامنه هدف) داشته، نمی توانند عملکرد خوبی داشته. درواقع، وجود اختلاف توزیع شرطی بین دامنه های منبع و هدف، بازدهی مدل را کاهش می دهد. تطبیق دامنه و یادگیری انتقالی راه حل های امیدبخشی هستند که هدف آن ها تعمیم دادن یک مدل یادگیری بین داده های آموزشی و تست با توزیع های متفاوت است. در این مقاله، مسئله پردازش تصویر بین دامنه ای بدون نظارت مورد توجه قرار گرفته است که هیچ برچسبی برای داده های تست در دسترس نمی باشد. درواقع، روش پیشنهادی دامنه های منبع و هدف را به یک زیرفضای کم بعد مشترک براساس FLDA به صورت بدون نظارت منتقل می کند. روش پیشنهادی ما، اختلاف احتمال توزیع شرطی در داده های منبع و هدف را ازطریق واگرایی برگمن حداقل می کند. یک ماتریس نگاشت به دست می آید که داده های منبع و هدف را به یک زیرفضای مشترک انتقال می دهد که در آن فضا ماتریس پراکندگی بین کلاسی حداکثر شده و ماتریس پراکندگی درون کلاسی و توزیع های بین دامنه ای حداقل می شود. آزمایشات متنوع برروی 58 عملیات طبقه بندی بین دامنه ای برروی شش پایگاه داده همگانی نشان می دهد که روش پیشنهادی ما بهتر از روش های پردازش تصویر جدید ارائه شده در حوزه بین دامنه ای عمل می کند.

با توجه به ماهیت بدون ناظر مسائل خوشه بندی و تأثیرگذاری مؤلفه های مختلف از جمله تعداد خوشه ها، معیار فاصله و الگوریتم انتخابی، ترکیب خوشه بندی ها برای کاهش تأثیر این مؤلفه ها و افزایش صحت خوشه بندی نهایی معرفی شده است. در این مقاله، روشی برای ترکیب وزن دار خوشه بندی های پایه با وزن دهی به خوشه بندی ها بر اساس روش AD ارائه شده است. روش AD برای برآورد صحّت انسان ها در مسائل جمع­ سپاری از هماهنگی یا تضاد بین آرای آنها استفاده می کند و با پیشنهاد مدلی احتمالاتی، فرآیند برآورد صحّت را به کمک یک فرآیند بهینه سازی انجام می دهد. نوآوری اصلی این مقاله، تخمین صحت خوشه بندی های پایه با استفاده از روش AD و استفاده از صحت های تخمین زده شده در وزن دهی به خوشه بندی های پایه در فرآیند ترکیب است. نحوه تطبیق مسأله خوشه بندی به روش برآورد صحّت AD و نحوه استفاده از صحّت های برآورد شده در فرآیند ترکیب نهایی خوشه ها، از چالش هایی است که در این پژوهش به آنها پرداخته شده است. چهار روش برای تولید خوشه بندی های پایه شامل الگوریتم های متفاوت، معیارهای فاصله ی متفاوت در اجرای k-means، ویژگی های توزیع شده و تعداد خوشه های متفاوت بررسی شده است. در فرآیند ترکیب، قابلیت وزن دهی به الگوریتم های خوشه بندی ترکیبی CSPA و HGPA اضافه شده است. نتایج روش پیشنهادی روی سیزده مجموعه داده مصنوعی و واقعی مختلف و بر اساس نُه معیار ارزیابی متفاوت نشان می دهد که روش ترکیب وزن دار ارائه شده در بیش تر موارد بهتر از روش ترکیب خوشه بندی بدون وزن عمل می کند که این بهبود برای روش HGPA نسبت به CSPA بیشتر است.

بهره­گیری از فضاهای پیراشهری به عنوان کالاهای استراتژیک و مقرون­به­صرفه جهت توسعۀ خوشه­های نوآوری، شهرها را به سمت تحقق توسعۀ پایدار و اکوسیستم نوآور بر مدار اقتصاد دانش­بنیان رهنمون می­سازد. هدف این پژوهش، شناسایی و استخراج مراحل تکوین و توسعۀ خوشه­های نوآوری جهت کاربست آن در فضاهای پیراشهری است. روش پژوهش حاضر، از لحاظ ماهیت، کیفی، ازنظر هدف، کاربردی-توسعه­ای و از نوع مطالعات ثانویه با رویکرد مرور سیستماتیک ادبیات منطبق بر فرآیند هشت مرحله ای اوکلی(2015) است. جامعۀ آماری شامل مقاله­ها، کتاب­ها و پایان­نامه­های مربوط به خوشه­های نوآوری شهری، ­از سال 2000 تا 2023 است. حجم نمونه شامل 32 منبع می­باشد. بر اساس نتایج پژوهش، بیشترین منابع پژوهش مربوط به سال­های  2018-2023 ( 62 درصد منابع) و پایگاه­های داده­­ای ساینس دایرکت و اشپرینگر است(به ترتیب 28 و 22 درصد منابع). بر اساس نتایج حاصل از تحلیل منابع، 113 کد بر تکامل و توسعۀ خوشه­های نوآوری شهری جهت کاربست آن ها در فضاهای پیراشهری تأثیرگذار هستند که در 26 مقوله مشتمل بر برنامه­ریزی راهبردی، پیش­نیازها، سازمانی، مدیریت، ساختار جمعیت، محیط فرهنگی، خدمات، مدیریت دولت، الزامات فرهنگی، زیرساخت اقتصادی، مالی، ساختار صنعتی، انباشت صنعتی، سطح اقتصادی، نوآوری فناورانه، موقعیت جغرافیایی، ارتباط صنعت-دانشگاه، مقیاس شهر، محیط اکولوژیک، طراحی و محیطی طبقه بندی شده اند. این مقوله ها در هشت کد محوری متشکل از نهادی، اجتماعی- فرهنگی، اقتصادی، انباشت جغرافیایی و فضایی، زیرساخت و غیره طبقه بندی شده اند. مراحل توسعه و تکوین خوشه­های نوآوری شامل مرحله پیش­خوشه و ظهور خوشه، راه­اندازی، فاز رشد خوشۀ پسین، پایداری، زوال و درنهایت سازگاری خوشه­ای، جهش یا فرسودگی است.

یکی از مسایل اصلی در خوشه بندی فازی تعیین تعداد خوشه هاست که باید پیش از خوشه بندی در اختیار باشد و انتخاب مقادیر متفاوت برای تعداد خوشه ها، به خوشه بندی های متفاوتی منجر خواهد شد؛ بنابراین لازم است تا خوشه های مختلفی را که از مقادیر متفاوت تعداد خوشه ها به دست می آید با یک شاخص، اعتبارسنجی نمود؛ اما تا کنون شاخصی مخصوص الگوریتم های خوشه بندی فازی نوع-2 (IT2 FCM) معرفی نشده است و به هنگام استفاده از این الگوریتم، از شاخص های معمول جهت تعیین تعداد خوشه ها استفاده می شود و این مقادیر نیز به طور ثابت و عمومی در نظر گرفته می شود. در این مقاله بنا داریم تاشاخصی جهت سنجش اعتبار خوشه بندی در این الگوریتم هامعرفی نماییم. بدین منظور، ابتدا مروری بر شاخص های اعتبار خوشه بندی و تحقیقات مرتبط با آن نموده و سپس ناپایداری استفاده از شاخص های موجود در الگوریتم های خوشه بندی فازی نوع-2، نشان داده می شود. نتایج پیاده سازی شاخص پیشنهادی بر روی چهار مجموعه داده نشان می دهد که ناپایداری و اشکالات موجود در استفاده از شاخص های معمول در الگوریتم IT2 FCM، در شاخص پیشنهادی به علت به دست آوردن بازه بهینه، وجود ندارد. استفاده از شاخص معرفی شده می تواند اثر چشمگیری در کنترلر های نوع-2 (سیستم های منطق فازی نوع-2) داشته باشد و منجر به بهبود نتایج پیش بینی و کنترل در این سیستم ها گردد.

اکثر مطالعات اخیر در حوزه خوشه بندی ترکیبی سعی می کنند ابتدا خوشه بندی های اولیه ای تولید کنند که تا حد ممکن دارای پراکندگی باشند، سپس با اعمال یک تابع توافقی همه این نتایج را با هم ترکیب می کنند. در این مقاله یک روش جدید خوشه بندی ترکیبی ارایه شده است که در آن به جای استفاده از تمام نتایج اولیه، تنها از زیرمجموعه ای از خوشه های اولیه استفاده می شود. ایده اصلی در این روش استفاده از خوشه های پایدار در ترکیب نهایی است. برای ترکیب خوشه های انتخابی، از تابع توافقی مبتنی بر ماتریس همبستگی استفاده شده است. از آن جایی که ساخت ماتریس همبستگی با در دسترس بودن تنها تعدادی از خوشه ها، با روش های موجود امکان پذیر نمی باشد، در این مقاله یک روش جدید به نام خوشه بندی انباشت مدارک توسعه یافته، برای ساخت ماتریس همبستگی از زیرمجموعه ای از خوشه ها پیشنهاد شده است. برای ارزیابی خوشه ها، از پایداری مبتنی بر اطلاعات متقابل استفاده شده است. نتایج تجربی روی چندین مجموعه داده استاندارد نشان می دهد که روش پیشنهادی به طور موثری نتایج خوشه بندی های اولیه را بهبود می دهد. هم چنین، مقایسه نتایج در مقایسه با سایر روش های خوشه بندی ترکیبی، نشان از کارآیی بالای روش پیشنهادی دارد.

امروزه توانمندی سازمان ها در شناسایی بازارهای هدف به کمک روش های داده کاوی بیش از پیش افزایش یافته است. بخش بندی بازار، هدف گیری شرکت ها را به سمت بازارهای مشخص تری هدایت می کنند تا ارتباط موثرتری با مشتریان صورت پذیرد. خوشه بندی یکی از پر استفاده ترین و مهمترین تکنیک های داده کاوی و شاخه ای از تحلیل آماری چند متغیره بوده و روشی برای گروه بندی داده های مشابه در خوشه های یکسان است .با بزرگ تر شدن بانک های اطلاعاتی، تلاش محققان بر روی پیدا کردن روش های خوشه بندی کارا و موثر متمرکز شده است تا از این راه بتوانند زمینه تصمیم گیری سریع و منطبق با واقعیت را فراهم آورند. در این تحقیق با استفاده از الگوریتم بهینه سازی مورچگان و داده های در دسترس به خوشه بندی بازار یک شرکت تولیدکننده کاشی در ایران پرداخته شده تا تمایزات موجود در بخش های مختلف نمایان گردد. نتایج حاصل، نشان از دقت بالای این الگوریتم در خوشه بندی داده ها دارد. همچنین به منظور بررسی بیشتر دقت عملکرد مدل طراحی شده، نتایج آن با نتایج حاصل از بخش بندی داده ها با یک روش خوشه بندی کلاسیک دیگر –(k- میانگین) مورد سنجش و ارزیابی قرار گرفته است.