面向聚類的數據可視化方法及相關技術研究.pdf

1、數據挖掘是在海量的數據中提取隱含的、未知的、潛在有用的知識或信息模式的數據處理方法，是20世紀90年代初為解決“數據豐富、知識貧乏”問題應運而生的一種新技術。但是，數據挖掘的過程非常耗時，算法相對復雜，常常會發(fā)現大量的無用的知識，且容易出現偏差和錯誤。因此，需要采用有效的方法更清晰地觀察數據的分布結構，了解數據之間的相互關系及發(fā)展趨勢，理解數據挖掘的過程和結果。數據可視化技術成為解決這一問題的新的且有效的途徑，已經成為數據挖掘領域的研究

2、熱點。數據可視化利用散點圖、樹圖、曲線、曲面等圖形圖像來顯示多維的非空間數據，用形象直觀的圖像來指引數據挖掘的過程，使用戶加深對數據含義的理解，加快獲取知識的速度。 聚類分析是數據挖掘的一項重要功能，特別對高維數據分析具有很大優(yōu)勢。本文以聚類算法為基礎，總結和分析現有的數據可視化方法，圍繞著新的面向聚類的數據可視化技術、聚類分析的過程及結果可視化技術、可視化聚類分析交互技術等方面，進行深入且細致的研究。本文的主要工作如下：(1)

3、雖然數據可視化方面已提出了很多方法，但是對數據可視化仍然沒有明確的界定。本文對數據可視化同可視化、科學計算可視化、信息可視化的關系及應用范疇作了明確的劃分。詳細、系統地介紹了主要的數據可視化方法，通過對這些方法和技術的介紹，可以對數據可視化的作用、運用范圍、區(qū)別于其他可視化技術的特點等方面有更深入的認識，這是進一步研究的基礎。 (2)現存的聚類算法眾多，其中包括基于劃分的聚類算法和基于層次的聚類算法等。本文在研究了現有的幾種聚類

4、算法，發(fā)現一些算法有的對臟數據敏感；有的雖不敏感，但計算量大，只適用于小規(guī)模數據量。針對這些問題本文提出了一種基于主次屬性劃分的聚類方法和一種新的數據可視化方法。利用數據的主屬性和次屬性的特征值對數據集進行聚類。實驗表明，本方法算法簡單、容易實現。 (3)提出一種利用彩色刺激光譜投影到RGB顏色空間的原理，通過色度學中麥克斯韋的三角平面坐標色度圖對各聚類結果進行可視化顯示。實驗表明，通過用這種多維數據的可視化方法對聚類結果進行可

5、視化，有利于用戶全面的理解數據，為數據的預測、決策起到重要作用。 (4)一些聚類算法需要預先確定聚類個數、迭代次數或終止條件，而這些參數在聚類之前很難確定。本文針對這個難點提出一種基于近鄰方法的聚類算法及其可視化方法。該算法時間復雜度低，聚類結果精確，聚類過程中能夠發(fā)現同類對象之間的相異程度，而這一點許多算法達不到。同時，需要輸入的參數可以很容易的估算，能夠發(fā)現孤立點，發(fā)現任意的形狀的聚類。最后，用2Dand3Dscatterp

6、lots對聚類結果進行了可視化，增加了直觀性、可理解性。 (5)Chernoff臉譜圖是一種有效的數據可視化技術。但Chernoff臉譜圖在進行臉部容貌對應變量的分配時，不同作圖者會有不同的選擇，從而產生不同的分類結果，這樣對數據的分析就會產生歧異。本文對Chernoff臉譜圖的這一缺點提出了一種改進的方法。在繪臉譜圖之前，利用主成分分析方法，提取原變量的主成分，將原變量的協方差進行重新分配，將變異最大的指標分配到臉的最敏感部位

7、，最后進行繪圖。實驗表明該方法的聚類結果與聚類分析的聚類結果非常相似，改進了臉譜圖繪圖法，使臉譜圖的變量分配問題變得較為簡單并且可以得到較好的聚類結果。 (6)平行坐標數據可視化技術是高維數據分析的常用工具。本文對此技術在聚類分析方面的應用進行了深入研究，針對傳統平行坐標數據可視化方法的不足進行了改進，采用了動態(tài)平均線、標準偏差和聚類之間相關系數三種方法，實現了一種動態(tài)基于平行坐標可視化聚類分析方法。特別是，實現了一種直接操縱平

8、行坐標的方法。增強了傳統平行坐標數據可視化方法的交互性、實用性、信息反饋的即時性。 (7)可視化技術產生的數據圖像，有個很大的缺點就是圖像特征不明顯，如一幅有噪聲的圖像，干擾使用者對數據主要特征的把握。那么能否利用已有的計算機圖像處理技術，對已產生的數據圖像進行再處理，消除數據圖像上的噪音，以致增強挖掘得到的數據圖像可讀性，幫助用戶從數據集中挖掘出新穎的、未知的信息和模式。本文提出了一種支持可視化數據挖掘方法的計算機圖像處理技術