一種基于密度的不確定性數(shù)據(jù)聚類算法.pdf

1、不確定數(shù)據(jù)處理技術和數(shù)據(jù)挖掘技術已經(jīng)在諸多的領域中得到了廣泛的應用，在兩者結(jié)合的一個領域中，對于不確定數(shù)據(jù)聚類算法的研究已成為當前的一個大的研究熱點。由于在不確定數(shù)據(jù)聚類方面的研究時間較短，現(xiàn)有的一些不確定數(shù)據(jù)聚類算法大都是從基于確定性數(shù)據(jù)聚類算法結(jié)合不確定數(shù)據(jù)特性轉(zhuǎn)化而來的，相對較為成熟的不確定數(shù)據(jù)聚類算法十分稀少。因此，隨著不確定性數(shù)據(jù)的不斷產(chǎn)生與發(fā)展應用，對于不確定性數(shù)據(jù)聚類算法的研究也變的日益迫切。
　　論文在分析研究了不

2、確定數(shù)據(jù)特性、不確定數(shù)據(jù)相關處理技術、基于密度的確定性數(shù)據(jù)聚類算法、基于密度的不確定數(shù)據(jù)聚類算法等相關理論與技術的基礎上，總結(jié)出了對基于密度不確定性數(shù)據(jù)聚類算法進行改進的一般性方法過程，并根據(jù)該方法過程引入概率半徑和信息熵的概念，提出了一種改進的基于密度的不確定性數(shù)據(jù)聚類算法，稱它為基于概率半徑和熵的不確定性數(shù)據(jù)密度聚類算法(ProbabilityRadiusand Entropy-Density-based Spatial Clust

3、ering of Application with Noise，PRE-DBSCAN)。首先，針對現(xiàn)有的算法對?-鄰域的約束并未考慮不確定性數(shù)據(jù)自身的因素，造成?-鄰域的不確定性數(shù)據(jù)范圍不夠精確的問題，給出了一個不確定數(shù)據(jù)對象的重要度的定義，并根據(jù)不確定數(shù)據(jù)對象的特性提出了概率半徑的概念，通過概率半徑PR對不確定數(shù)據(jù)對象鄰域范圍進行限定和約束，提高對象鄰域的準確性；其次，針對現(xiàn)有算法對核心對象的約束不夠精確的問題，結(jié)合不確定數(shù)據(jù)的特性，

4、引入了信息熵的概念，通過最小信息熵MinEn和對象鄰域內(nèi)最小數(shù)據(jù)點數(shù)量MinPts共同對核心對象進行判斷，以減小核心對象的不確定性；最后，對比現(xiàn)有的PDBSCAN算法和FDBSCAN算法采用的索引技術，PRE-DBSCAN算法利用不確定數(shù)據(jù)的索引技術R*樹索引進一步提高算法效率，并給出了新提出的PRE-DBSCAN算法的算法描述和偽代碼。
　　通過仿真實驗對本文提出的PRE-DBSCAN算法在不確定數(shù)據(jù)聚類方面的能力進行了驗證，并