基于層次的不確定數(shù)據(jù)聚類算法研究.pdf

1、數(shù)據(jù)的不確定性在數(shù)據(jù)的多樣性、安全性和信息量增大方面體現(xiàn)出來，這些都將導致數(shù)據(jù)的不確定性問題的出現(xiàn)，介紹了不確定數(shù)據(jù)和聚類的理論知識，分析經(jīng)典的不確定數(shù)據(jù)聚類算法及其優(yōu)缺點，針對算法的不足提出了基于不確定數(shù)據(jù)的層次聚類改進算法UHK-means。
　　UHK-means算法主要從以下四個方面進行改進和整合:
　　一、在不確定數(shù)據(jù)方面。分析了不確定數(shù)據(jù)的種類和不確定性，針對不同類型的不確定數(shù)據(jù)，采用兩種改進的距離衡量標準:滑動

2、濾波距離和概率濾波距離。
　　二、在聚類簇數(shù)量方面。聚類簇數(shù)量的不確定性和人為設定是基于劃分和基于層次的聚類算法的一個不足。通過輪廓系數(shù)來獲取貼近實際的最優(yōu)聚類數(shù)，改進了聚類簇數(shù)量的不確定性和人為設定性的不足。
　　三、在層次聚類的方面。針對基于劃分的K-means算法的兩個不足:聚類簇數(shù)目的人為設定和初始中心點的隨機選取。結合層次聚類算法的優(yōu)勢，提出層次聚類單鏈接拼接算法，快速獲取包含實際意義的迭代初始中心點，減少K-me

3、ans迭代次數(shù)。
　　四、在聚類結果的衡量方面。K-means算法的迭代終止衡量標準，需要一定的時間和空間損耗，本文討論了衡量時間的標志，提出了自己的方法。
　　五、對UHK-means進行了實驗對比。在UCI機器學習庫進行了多個數(shù)據(jù)集上進行了對比試驗。實驗結果表明，與傳統(tǒng)的UK-means算法，以及K-means相比，本文所提出的UHK-means算法在空間復雜性和時間復雜性要好。這些研究成果為不確定數(shù)據(jù)聚類在實際問題中的