基于密度樹的不確定性數(shù)據(jù)流聚類算法.pdf

1、隨著傳統(tǒng)數(shù)據(jù)流聚類研究的不斷發(fā)展和對數(shù)據(jù)不確定性的深入認(rèn)知，學(xué)者們提出了針對不確定性數(shù)據(jù)流的聚類算法。由于不確定性描述的引入使得傳統(tǒng)的數(shù)據(jù)流聚類算法并不能完全適用于不確定性數(shù)據(jù)流聚類，因此這就對聚類技術(shù)提出了更高的要求和新的挑戰(zhàn)。
　　本文研究分析了前人的一些不確定性數(shù)據(jù)流聚類算法，總結(jié)了各個算法的優(yōu)點與不足。鑒于基于密度網(wǎng)格的不確定性數(shù)據(jù)流聚類算法中，網(wǎng)格利用率低、網(wǎng)格劃分以及密度閾值的設(shè)置等問題，本文提出并實現(xiàn)了基于密度樹的不

2、確定性數(shù)據(jù)流聚類算法UD-Tree(Uncertain Density Tree)。該算法采用了CluStream算法的框架處理模型，將聚類過程分為在線過程與離線過程。在線聚類過程對于不斷到來的不確定性數(shù)據(jù)進(jìn)行快速處理，按屬性不同對應(yīng)到樹的不同層，并且對樹的每層都進(jìn)行相同劃分，從而使不確定性數(shù)據(jù)映射到不同的葉子節(jié)點上，形成密度樹結(jié)構(gòu)，這種方法相比較傳統(tǒng)的網(wǎng)格劃分的方法而言，很大程度上消除了空網(wǎng)格，提高了空間的利用率以及聚類的效果。根據(jù)近

3、期數(shù)據(jù)更加重要的原則而采用時間衰退模型，并根據(jù)該模型提出了葉子節(jié)點概率密度的概念，又提出了概率密度葉子節(jié)點特征向量并用其保存不確定性數(shù)據(jù)的信息，通過更新周期和孤立葉子節(jié)點函數(shù)的設(shè)置，減小算法計算量提高執(zhí)行效率。離線聚類過程對在線過程中形成概要信息進(jìn)行更精確的聚類，根據(jù)葉子節(jié)點的概率密度將葉子節(jié)點分為稠密、過渡、稀疏，并對空間位置相鄰的稠密葉子節(jié)點進(jìn)行合并形成簇。
　　通過在真實數(shù)據(jù)集ForestCoverType與KDD Cup1