多尺度聚類挖掘方法.pdf

1、聚類挖掘是數據挖掘研究領域的一個重要研究分支，在語音識別、圖像分割、市場營銷、金融保險、電子商務等諸多領域廣泛應用。聚類挖掘的實質是旨在將樣本集按其自身屬性聚成若干類，以保證類內樣本相似度盡可能高，而類間樣本相似度盡可能低。多尺度聚類是典型的跨學科課題，其本質是利用聚類技術多尺度、多層次地剖析研究客體的客觀構成，研究尺度轉換引起的尺度效應現象和各尺度間的函數關系。多尺度理論已在聚類挖掘領域取得了可觀的進展，提出了一些多尺度聚類挖掘的理論

2、和方法，但研究多局限于空間、圖像數據，限制了多尺度科學在聚類技術上的應用和推廣。
　　論文結合多尺度科學與聚類挖掘各自領域特點，進一步研究面向一般數據集的多尺度理論與多尺度聚類挖掘方法。在聚類挖掘領域引入多尺度科學的相關理論與方法，提出以概念分層為基準的廣義尺度定義，分析尺度轉換和尺度效應實質，構建多尺度聚類挖掘系統(tǒng)結構，最終形成多尺度聚類挖掘理論體系;以多尺度聚類挖掘理論與方法為指導思想，結合無偏最優(yōu)估計的克里格方法，提出多尺度

3、聚類挖掘的尺度上推挖掘算法和尺度下推挖掘算法，實現數據聚類的多尺度化;最后，提出基于信息熵的多尺度聚類尺度轉換結果評價指標，為最終的多尺度聚類挖掘結果提供了理論和方法支持。
　　本文立足聚類挖掘，借助多尺度科學理論，探索構建多尺度聚類挖掘理論體系，研究多尺度聚類尺度轉換方法以及尺度轉換結果評價指標。主要研究內容包括以下幾個方面:
　　1)探討構建多尺度聚類挖掘理論體系
　　傳統(tǒng)的聚類挖掘未對數據的多尺度特性進行深入研究

4、，并且已有的多尺度聚類挖掘理論和方法多局限于空間、圖像數據。針對存在的問題，從多尺度數據集、尺度轉換、尺度效應和多尺度聚類挖掘系統(tǒng)結構四個方面研究多尺度聚類挖掘理論體系。首先，提出基于概念分層的數據尺度、尺度劃分和多尺度數據集以及多尺度數據集之間祖孫、父子、兄弟和上下層關系的定義，確立理論基礎;其次，分析多尺度聚類挖掘核心——尺度轉換的定義、原因、分類和途徑;再次，歸納多尺度聚類尺度效應的定義及其影響;最后，在傳統(tǒng)數據挖掘過程的基礎上，

5、提出多尺度聚類挖掘系統(tǒng)結構，為多尺度聚類的后續(xù)研究提供理論支撐和實現思路。
　　2)提出多尺度聚類挖掘算法
　　多尺度聚類挖掘理論體系為尺度轉換提供了理論基礎，結合尺度轉換過程，構造多尺度聚類挖掘算法框架;分析克里格法可用于一般數據集的本質;通過分析目前地學、圖像學、生物學等學科較為成熟的尺度轉換方法思想，基于塊狀克里格法BK (Block Kriging)提出多尺度聚類挖掘尺度上推算法MSCSUA(Multi-Scale

6、Clustering Scaling Up Algorithm)，并基于回歸面到點克里格法ATPRK (Area To Point Regression Kriging)提出多尺度聚類挖掘尺度下推算法MSCSDA(Multi-Scale Clustering Scaling Down Algorithm)。算法實現了聚類挖掘知識的多尺度化，與傳統(tǒng)聚類算法直接在目標尺度進行聚類的結果進行比對，并對算法的正確性和可行性進行分析。
　　

7、3)提出多尺度聚類有效性指標
　　多尺度聚類有效性指標是對多尺度聚類尺度上推和下推結果的定量評估，是對尺度轉換算法直觀的分析評價。論文結合多尺度領域尺度轉換精度評價指標和聚類有效性指標，引入信息熵度量不同聚類有效性指標下聚類結果尺度效應的不確定程度，并將信息熵結果歸一化后作為各聚類有效性指標的權重，加權集成得到多尺度聚類有效性指標MSCVI(Multi-Scale Clustering Validity Index)，以便更好地適