基于Global K-means的多維數據聚類算法研究及其GPU加速.pdf_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著人們生產生活的越來越繁雜,使得數據量高速增加,數據挖掘技術在人們的生活中起著越來越重要的作用。而聚類分析作為數據挖掘的一種重要技術,對各種數據的分析起著至關重要的作用,本文主要就多維數據的聚類算法進行了研究,提出了兩種針對多維數據的聚類算法。同時為了解決海量數據的處理時間問題,進行了相關算法的GPU加速研究。本文的主要研究工作闡述如下:
   針對多維數據聚類過程數據的每個屬性對聚類所起的作用不同,本文提出了一種基于屬性權重

2、的Global K-means算法,即Global weighted K-means(GWKM)算法。GWKM算法結合了LAW K-means(LKM)算法的屬性權重技術和GlobalK-means(GKM)算法的聚類框架,在GKM算法每次進行聚類中心的選取過程中,引入LAW K-means算法,不僅求得了聚類中心,而且確定了聚類屬性權重,最終得到了更加準確和穩(wěn)定的聚類結果。
   但當遇到一些數據,其維度的稀疏性較大,將會給多

3、維數據的聚類帶來很大問題。為了能夠有效地解決稀疏多維數據所帶來的聚類問題,本文提出了一種新的基于熵權重的Global K-means算法,即Global Entropy weightedK-means(GEWKM)算法。GEWKM算法結合了Entropy Weighting K-means(EWKM)算法的熵權重和Global K-means(GKM)算法的聚類框架,在GKM算法每次進行聚類中心的選取過程中,引入了Entropy Wei

4、ghting K-means算法,采用更加合理的熵權重計算屬性權重值,得到了更為理想的結果。實驗表明,所提出的算法是穩(wěn)定的,能夠有效地解決數據稀疏性所帶來的聚類問題。
   由于本文提出的GWKM算法和GEWKM算法都是基于Global K-means算法框架,但是由于Global K-means算法的計算復雜度較大,限制了其在海量數據上的應用,所以為了解決Global K-means算法計算復雜度大,不能滿足處理大規(guī)模數據挖掘

5、問題的時間要求,本文提出了基于GPU的并行Global K-means算法-PGKM Mix算法,該算法并行了其中最為耗時的聚類中心的選取,為了更加充分地挖掘PGKM Mix算法的數據并行性,進一步提出了PGKM_IRG算法,該算法引入了非規(guī)則歸約方法來并行聚類中心的更新。并著重描述了在GPU上實現這兩種并行算法的設計方案和操作細節(jié)。通過人工數據集和UCI數據集上進行的實驗,驗證了并行算法在不影響性能的基礎上實現了很高的加速比,說明了提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論