科學(xué)數(shù)據(jù)挖掘系統(tǒng)中分類和聚類的應(yīng)用研究.pdf

1、在對大規(guī)?？茖W(xué)數(shù)據(jù)進行處理時，往往會因為其具有規(guī)模大、特征復(fù)雜的特點，使得理解、分析這些科學(xué)數(shù)據(jù)，并從中獲取知識變得十分困難，對于這些數(shù)據(jù)，科學(xué)家已經(jīng)不滿足于傳統(tǒng)的查詢、統(tǒng)計分析手段，而需要發(fā)現(xiàn)更深層次的規(guī)律，對決策或科研工作提供更有效的決策支持，由此科學(xué)數(shù)據(jù)挖掘勢在必行。 本文主要研究適合于大規(guī)?？茖W(xué)數(shù)據(jù)挖掘的分類和聚類的理論和應(yīng)用.以決策樹，BP神經(jīng)網(wǎng)絡(luò)，基于密度，基于劃分，迭代網(wǎng)格為主的分類、聚類技術(shù)解決科學(xué)數(shù)據(jù)挖掘中的大

2、規(guī)模知識發(fā)現(xiàn)問題。本文以分類和聚類算法為主要研究對象，描述了分類和聚類算法的基本模型。在傳統(tǒng)聚類算法的基礎(chǔ)上，結(jié)合我們科學(xué)數(shù)據(jù)挖掘的應(yīng)用對象—分子動力學(xué)數(shù)據(jù)，提出了迭代網(wǎng)格聚類算法，k-平均和基于密度結(jié)合的聚類算法，迭代過程中優(yōu)化選擇中心點的k-平均方法，以及改進型的基于距離的聚類算法等模式識別方法，能夠解決傳統(tǒng)算法帶來的諸多問題(比如一些傳統(tǒng)的聚類算法常常收斂于局部最優(yōu)，發(fā)現(xiàn)都模式都趨近于球形，劃分方法中迭代次數(shù)過多帶來的效率問題)。