一種帶有聚類功能的邊界檢測算法的研究.pdf

1、當代世界是一個信息化的世界，各行各業(yè)都存在著大量的數(shù)據，人們迫切需要將這些數(shù)據轉換成有用的信息和知識，以幫助他們進行商務管理，生產控制，市場分析，工程設計和科學探索等，于是數(shù)據挖掘便應運而生，成為信息產業(yè)界關注的焦點。數(shù)據挖掘就是從大量數(shù)據中提取有用的知識，它涉及到很多學科領域，包括數(shù)據庫技術、人工智能、機器學習、模式識別、統(tǒng)計理論、信息論、高性能計算等等。聚類分析是數(shù)據挖掘研究領域中一個重要的研究課題，已被應用于模式識別、圖像處理、數(shù)

2、據分析，市場研究等眾多領域。同時，聚類邊界分析在數(shù)據挖掘中也具有很高的研究價值，已經被廣泛應用于生物學、物理學、圖像識別等各種領域。目前已經出現(xiàn)了很多聚類算法和邊界檢測算法，但這些算法大部分都是相互獨立的，并沒有將聚類和邊界檢測相融合。另外，已出現(xiàn)的關于邊界檢測的算法也存在很多缺陷，在實際應用中很難達到用戶的預期效果。
　　 本文總結了前人的研究成果，并對已往的聚類邊界檢測算法進行了深入地分析研究，得出這些算法要么效率低，要么邊

3、界檢測精度低，要么輸入參數(shù)難以確定。為克服這些缺點，本文提出了向量夾角熵的概念和基于向量夾角熵的邊界點檢測算法BDVE，該算法充分利用了網格能夠提高運算速度且能有效去除噪聲的優(yōu)點。針對已往聚類算法與邊界檢測算法相互分離的問題，本文提出了基于三角剖分的聚類和邊界檢測算法DTBOUND，該算法將聚類和邊界檢測融為一體，充分利用了變異系數(shù)和三角剖分圖能夠自然地反映數(shù)據點分布特征的優(yōu)點。
　　 本文實現(xiàn)了算法BDVE和DTBOUND，在