高維空間大數據集分布式聚類及離群知識發(fā)現算法研究.pdf_第1頁
已閱讀1頁,還剩80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、聚類分析是數據挖掘的重要研究課題,它是數據挖掘研究的重要內容、手段和工具,因而成為一個被不斷探索并充滿創(chuàng)新的研究主題。離群知識發(fā)現是近年來倍受數據挖掘研究者關注的一個新興研究領域,它研究數據中少數異常而新穎的數據分布模式,離群知識發(fā)現在入侵檢測、風險控制等領域有著廣泛應用。 近年來,隨著衛(wèi)星遙感、X光掃描、分子生物、高能物理研究等技術的發(fā)展,大量的數據被存儲在數據庫中,這些數據具有維度高、數據分布稀疏、噪聲數據多的特點,這就使得

2、面向高維大規(guī)模數據集的數據挖掘研究成為關鍵。探索并構造具有高性能、高效率的新算法是解決高維空間大數據集挖掘問題的有效途徑,也是本文開展聚類分析和離群知識發(fā)現研究的著眼點和出發(fā)點。 論文分析了高維空間大數據集數據分布的特點,以及高維空間大數據集挖掘所需解決的問題,對已有的聚類分析及離群知識發(fā)現算法的優(yōu)缺點進行了分析,針對大數據集的生成方式,提出分布式挖掘、增量式挖掘、數據流挖掘等解決方法,提出了一系列面向高維大規(guī)模數據集的有效的聚

3、類及離群知識發(fā)現算法。 針對高維空間數據聚類可能出現的數據分布稀疏、噪聲數據多、聚類參數設定困難以及“差距趨零”等問題,在DBSCAN算法的基礎上,提出一種k鄰域局部密度聚類算法k-PCLDHD及其優(yōu)化算法k-LDCHD,算法既保持了DBSCAN算法快速高效的特點,又有效地提高了DBSCAN算法對高維空間數據聚類的精度;在分布式聚類挖掘方面,提出了分布式聚類算法k-DCBIP,算法結合向量內積知識,對數據集進行預處理,并在每次迭

4、代中,對每個數據點的歸屬作預判斷,算法可以有效地解決大數據集聚類問題;進一步,提出基于DBSCAN的分布式密度聚類算法DDBSCAN,算法具有DBSCAN算法的能夠發(fā)現不同形狀聚類、對噪聲數據不敏感、效率高的優(yōu)點,同時,算法還彌補了DBSCAN算法在擴展性和對高維數據適應性上的不足。最后,論文對數據流挖掘方法進行探討,將數據流離群知識發(fā)現與數據流聚類分析問題對應起來,提出了基于k均值分區(qū)的適用于高維數據流挖掘的密度聚類算法CLUSMD以

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