并行聚類算法的研究與實現(xiàn).pdf

1、隨著經(jīng)濟和社會的飛速發(fā)展，各行各業(yè)的計算機應用變得非常普遍，積累了大量的歷史業(yè)務數(shù)據(jù)，并且隨著時間的增長，數(shù)據(jù)量還在不斷的膨脹，面對這種海量數(shù)據(jù)，或者說是數(shù)據(jù)資產，傳統(tǒng)數(shù)據(jù)挖掘算法難以滿足對數(shù)據(jù)分析的需求。尤其是對于對時間有嚴格要求的數(shù)據(jù)挖掘任務，計算必須在“合理”的時間內完成。如地震后遙感衛(wèi)星圖的分析任務，如果在一個星期后才能得到結果，則早已經(jīng)錯過了黃金營救時間。對于天氣預報來說，花兩天時間來獲取當?shù)氐诙炀_的天氣預報將使得這種預報

2、毫無意義。傳統(tǒng)的數(shù)據(jù)挖掘算法無法短時間內挖掘出結果，結合并行計算技術是解決問題的出路。為了解決這種海量數(shù)據(jù)的聚類問題，必須從理論上及算法上對并行聚類進行深入研究。
　　 為了實現(xiàn)并行聚類，首先，研究了基于密度和密度可達聚類算法( ClusteringAlgorithm Based on Density and Density reachable，簡稱CADD)和基于密度和密度可達增量聚類算法(Incremental Cluste

3、ring Algorithm Based on Density and Densityreachable，簡稱ICADD)的實現(xiàn)過程，分析了其并行的可能性，在此基礎上，對這兩個算法進行了改進：第一，改進密度和半徑計算算法，避免多次遍歷數(shù)據(jù)庫；第二，在Linux平臺下C語言編程實現(xiàn)了對BMP圖像實驗數(shù)據(jù)進行預處理。
　　 其次，在CADD和ICADD算法改進的基礎上，提出了基于密度和密度可達并行聚類算法( Parallel Clu

4、stering Algorithm based on Density and adaptive Densityreachable，簡稱PCADD)，主要研究了兩方面的內容：(1)在基于數(shù)據(jù)并行的聚類算法下，聚類結果受進程數(shù)量的影響，聚類效果不是很好；(2)根據(jù)該算法的特點，設計了任務和數(shù)據(jù)結合的并行聚類算法后，聚類效果很好，與CADD聚類結果一致。此外，還分析了等量劃分數(shù)據(jù)和根據(jù)負載動態(tài)劃分數(shù)據(jù)方式的優(yōu)點和缺點。
　　 理論和實