基于背景知識(shí)的知識(shí)發(fā)現(xiàn)技術(shù)研究.pdf

1、背景知識(shí)對(duì)于知識(shí)發(fā)現(xiàn)過(guò)程有著重大的影響.該文主要著眼于一類特殊的背景知識(shí):數(shù)據(jù)對(duì)象間的關(guān)聯(lián)限制,研究了其在聚類分析中的應(yīng)用.分析了現(xiàn)有基于數(shù)據(jù)對(duì)象間關(guān)聯(lián)限制的聚類分析方法的優(yōu)點(diǎn)及不足,指出分隔的表示方法阻礙著現(xiàn)有基于兩類關(guān)聯(lián)限制的Kmeans類算法效果的進(jìn)一步提高.基于數(shù)據(jù)對(duì)象間的關(guān)聯(lián)限制,定義了數(shù)據(jù)對(duì)象與類間的關(guān)聯(lián)以及類之間的關(guān)聯(lián),在此基礎(chǔ)上提出了結(jié)合限制的分隔模型,通過(guò)類間的關(guān)聯(lián),眾多分離的子類可以依據(jù)背景知識(shí)共同表示同一個(gè)類,從而

2、可能更加靈活地結(jié)合用戶傾向,對(duì)數(shù)據(jù)對(duì)象集進(jìn)行分隔.結(jié)合此模型提出了結(jié)合子集的Kmeans算法CKS,實(shí)驗(yàn)證明它較CKM(COP-Kmeans)和CCL可以更好地利用關(guān)聯(lián)限制.仔細(xì)分析了另一個(gè)有影響的限制聚類算法CCL,指出其在構(gòu)造距離矩陣時(shí)忽視了負(fù)關(guān)聯(lián)的作用,在其后的聚類分析時(shí)則完全忽略了所給限制,從而影響了準(zhǔn)確率,在噪聲較強(qiáng)時(shí),算法可能不穩(wěn)定.給出了混合限制complete-link算法HCCL,HCCL算法在前半段基于數(shù)據(jù)對(duì)象間的距

3、離來(lái)指導(dǎo)聚類,在后半段基于類間的關(guān)聯(lián)系數(shù)來(lái)指導(dǎo)聚類.HCCL在較好地利用了正關(guān)聯(lián)的同時(shí),還能較好地利用負(fù)關(guān)聯(lián),對(duì)于一些實(shí)際數(shù)據(jù)集的測(cè)試及分析結(jié)果顯示此算法具有明顯的優(yōu)勢(shì).數(shù)據(jù)對(duì)象間關(guān)聯(lián)限制的引入,使得一些原先收斂的算法不再收斂.詳細(xì)研究了基于關(guān)聯(lián)限制的Kmeans類算法的收斂問(wèn)題,提出了CKM算法不收斂的第二種情況,通過(guò)反例,證明了現(xiàn)有的四個(gè)基于關(guān)聯(lián)限制的Kmeans類算法均不收斂,同時(shí)還研究并給出了CKM和CKS算法收斂的一個(gè)條件.研

4、究了關(guān)聯(lián)限制的其他應(yīng)用,可以應(yīng)用來(lái)改造PAM算法,得到結(jié)合限制的PAM算法CPAM,基于結(jié)合限制的分隔模型,給出了結(jié)合子集的K中心點(diǎn)算法CKMDS,考察了關(guān)聯(lián)限制在概念聚類中的應(yīng)用,提出了將限制直接結(jié)合入分類效用計(jì)算的思想,并具體給出了一個(gè)結(jié)合方法.面向農(nóng)業(yè)領(lǐng)域基于背景知識(shí)的知識(shí)發(fā)現(xiàn),考慮了特殊的領(lǐng)域知識(shí)的應(yīng)用.分析了生命周期知識(shí)在數(shù)據(jù)預(yù)處理過(guò)程中的應(yīng)用,據(jù)此提出了基于時(shí)間窗口的數(shù)據(jù)預(yù)處理算法;基于土壤中養(yǎng)分的垂直分布知識(shí),并結(jié)合土壤數(shù)