無預(yù)設(shè)類別數(shù)的大數(shù)據(jù)量聚類算法研究.pdf

1、由于計算機科學(xué)與技術(shù)的發(fā)展，特別是計算機網(wǎng)絡(luò)的發(fā)展，人們面對著越來越多的海量的信息。尤其是數(shù)據(jù)庫的大量應(yīng)用，在各個行業(yè)各個領(lǐng)域都積累了十分豐富的數(shù)據(jù)，“豐富的數(shù)據(jù)與貧乏的知識”的問題也日漸突出。近幾十年間，知識發(fā)現(xiàn)(規(guī)則提取、數(shù)據(jù)挖掘、機器學(xué)習(xí)等)應(yīng)運而生，受到人工智能學(xué)界的廣泛重視，知識發(fā)現(xiàn)的各種不同方法應(yīng)運而生。
　　所謂數(shù)據(jù)挖掘，就是從大量無序的數(shù)據(jù)中發(fā)現(xiàn)隱含的、有效的、有價值的、可理解的模式，進而發(fā)現(xiàn)有用的知識，并得出時間

2、的趨向和關(guān)聯(lián)，為用戶提供問題求解層次的決策支持能力。與此同時，聚類作為數(shù)據(jù)挖掘的主要方法之一，也越來越引起人們的關(guān)注。在知識發(fā)現(xiàn)的任務(wù)中，人們常常要面臨大量數(shù)據(jù)的處理任務(wù)，特別是隨著網(wǎng)絡(luò)信息的不斷增長和各個復(fù)雜領(lǐng)域例如金融數(shù)據(jù)，醫(yī)療診斷，衛(wèi)星探測等數(shù)據(jù)的增長，現(xiàn)在面臨的處理對象經(jīng)常上百萬、千萬，計算機的處理能力往往顯得不足。并且大量的數(shù)據(jù)會給知識發(fā)現(xiàn)的知識獲取方法帶來很多困難。
　　本文介紹了常用聚類的方法及其原理，并對其局限性和

3、優(yōu)勢進行綜合分析，試圖通過融合不同的聚類算法思想，來綜合利用特定算法的優(yōu)點，使其不但具有能處理大數(shù)據(jù)量的能力，而且無需預(yù)設(shè)類別數(shù)目，從而來提高聚類的準(zhǔn)確性并減少聚類的不穩(wěn)定性。通過理論分析和實驗證明，原始AP算法是不能解決大數(shù)據(jù)量的問題。通過融合原始AP聚類算法和K-Means聚類算法，提出了KMAP聚類算法。通過理論分析和實驗，證明改進型KMAP新算法不但能解決原始AP聚類算法不能處理大數(shù)據(jù)的問題，提高了其適用的范圍，而且解決了K-M