基于加權(quán)向量提升的多尺度聚類挖掘算法.pdf

1、數(shù)據(jù)挖掘(DataMining，DM)是從包含相對復(fù)雜結(jié)構(gòu)的海量動態(tài)數(shù)據(jù)庫中提取潛在的、未知的、和有用知識的過程[1]，因此也被稱作數(shù)據(jù)庫中的知識發(fā)現(xiàn)(KnowledgeDiscoveryinDatabase，KDD)。聚類[2]作為數(shù)據(jù)挖掘領(lǐng)域中的重要研究內(nèi)容得到了長足的發(fā)展，聚類主要實現(xiàn)以下目的:將數(shù)據(jù)集中的對象分成若干類簇，以達到類簇內(nèi)對象盡可能相似，而類簇間對象盡可能相異。目前有關(guān)聚類挖掘的研究已基本成熟，而當(dāng)前社會是一個“跨界

2、”的社會，將聚類挖掘技術(shù)應(yīng)用于其它學(xué)科越來越受到學(xué)者們的重視，而多尺度科學(xué)[3，4]作為一門新興學(xué)科，其相關(guān)研究也變得炙于可熱，將聚類挖掘同多尺度科學(xué)結(jié)合起來實現(xiàn)多尺度聚類挖掘變得越來越重要。
　　目前，多尺度聚類挖掘有了一定的研究進展，如學(xué)者孫慶先將多尺度的數(shù)據(jù)挖掘歸納為三種途徑[4]:在挖掘前將單一尺度的數(shù)據(jù)轉(zhuǎn)換成多個尺度的數(shù)據(jù)，然后對多個尺度的數(shù)據(jù)分別進行挖掘，即實現(xiàn)數(shù)據(jù)的多尺度轉(zhuǎn)換;在挖掘算法中引入調(diào)節(jié)尺度用的操作部件，以

3、控制挖掘出知識的尺度;將挖掘出的單一尺度的知識轉(zhuǎn)換成多個尺度的知識，即完成知識的多尺度轉(zhuǎn)換。通過前兩種途徑可以很容易地實現(xiàn)多尺度挖掘，但遇到的一個嚴重的問題就是需要在每一個尺度上應(yīng)用挖掘算法。途徑3還很少有人研究，本文對本途徑進行探索，提出了一種新的算法，以解決前兩種途徑的多尺度聚類挖掘中所遇到的問題。本文的主要工作內(nèi)容如下:
　　提出了一種基于向量的多尺度表示方法。尺度存在于各種類型的數(shù)據(jù)庫中，而不同類型的數(shù)據(jù)，其尺度的表達方式

4、也不同，為尺度大小的比較、尺度轉(zhuǎn)換工作帶來了不便。本文基于向量的思想將不同數(shù)據(jù)類型的尺度表示成統(tǒng)一的向量形式，以方便尺度間的比較、轉(zhuǎn)換操作，并為本文算法的提出奠定了基礎(chǔ)。
　　提出了一種基于加權(quán)向量提升的多尺度聚類挖掘算法，來完成在不同尺度上聚類的目的。算法的基本思想即是多尺度挖掘的第二種途徑:首先，該算法選定一個基準(zhǔn)尺度，并在該基準(zhǔn)尺度上應(yīng)用聚類挖掘算法以獲取該尺度上的聚類結(jié)果;其次，對于用戶感興趣的其它尺度，通過應(yīng)用尺度轉(zhuǎn)換機